非极大值抑制

摘要： 针对单阶段多边框检测(SSD)算法中存在目标定位不准确和小目标检测精度不高的问题,提出基于优化预测定位的单阶段目标检测算法EL-SSD.通过双向加权特征金字塔将原SSD预测特征图特征融合,对输出特征图进行特征位置信息解码后进行特征通道权重再分配,提升了特征语义信息,捕获了跨通道位置信息.通过构建分类置信度及额外的定位置信度级联聚类对预测框进行非极大值抑制,提高在检测阶段对选择目标的定位精度.实验结果表明,EL-SSD算法在PASCAL VOC2007上的平均检测均值达到79.8%,比原SSD算法提高了2.6%.在COCO数据集上的精度达到29.4%,比原SSD算法提高了3.5%,在检测图片上的目标定位效果及小目标检测效果明显优于SSD,适用于需要高定位性能的实时应用场景.

摘要： 红外背景下的车辆检测具有重要的应用意义,为了解决在复杂背景下红外视频的车辆检测时视野中的车辆目标像素差距过大以及目标重叠的问题,提出一种改进的Faster R-CNN网络模型。针对视野内车辆目标重叠率较高的问题,设计了一种改进的soft-NMS(Non-Maximum Suppression)方法对RPN(Region Proposal Network)内的NMS方法进行优化。针对视野内目标像素差距过大问题,设计了三种不同尺度感受野并行检测,权重共享的特征提取结构Tri-VGG网络,并设计出一种避免网络出现过拟合的训练策略,优化后的网络检测平均精确度(AP,Average Presion)达到85.32%,相较于仅采用soft-NMS的Faster R-CNN提高了3.01%,相较于传统的Faster R-CNN提高了5.86%。

摘要： 针对目标检测任务中目标实例密集、重叠等因素导致的检测精度不高的问题,提出一种改进回归损失函数与动态非极大值抑制的目标检测框架。采用结合排斥因子Rep的GIoU-Loss进行目标位置回归,在增加回归参数间相关性的同时降低候选边框向邻近真值偏移概率。Rep-GIoU-Loss不仅有效提升目标位置回归精度,对目标遮挡情形也具有较好的鲁棒性。此外,增加稠密度预测分支预测目标被遮挡程度,并将遮挡程度预测值作为NMS方法的动态阈值,以减少漏检、虚检目标实例。实验结果表明,改进方法检测精度在PASCALVOC2007测试数据集上提高了1.3个百分点,自制数据集可提高2.8个百分点,验证了该方法的有效性。

摘要： 遮挡目标检测长期以来是计算机视觉中的一个难点和研究热点。目前的深度学习基于卷积神经网络,将目标检测任务作为分类任务和回归任务来处理。当目标被遮挡时,遮挡物会混淆目标之间的特征,使得深度网络不能很好地识别和推理,降低检测器在理想场景下的性能。考虑到遮挡在现实中的普遍性,对遮挡目标的有效检测具有重要研究价值。为了进一步促进遮挡目标检测的发展,对基于深度学习的遮挡目标检测算法进行了全面总结,并对已有的遮挡检测算法进行归类、分析、比较。在对目标检测进行简单概述基础上,首先,对遮挡目标检测的相关背景、研究的难点以及遮挡数据集进行了介绍;然后,对遮挡检测优化算法主要按照目标结构、损失函数、非极大值抑制以及部分语义四方面进行归纳分析,在对各种算法之间的联系以及发展脉络进行阐述后,对各种算法性能进行了比较;最后,指出了遮挡目标检测仍面临的困难,并对遮挡目标检测未来的发展方向进行了展望。

摘要： 针对二维图像无法深度表征目标、远海舰船目标表征困难等问题,提出基于更快卷积神经网络和区域组合识别模型相结合的三维舰船目标识别框架。重建舰船三维模型,在原始的区域生成网络上利用级联的方法改进了生成滑动窗口的方法,同时提出实际标注与区域建议联合识别模型,采用非极大值抑制的方法对容错框进行去除。实验结果表明所改进的算法在舰船目标三维识别的精确率和召回率上均有较大优势。

摘要： 尽管基于卷积神经网络(CNN)的人脸检测器在精度上已经有了很大提升,但所需的计算量和模型复杂度越来越高,如何在计算能力有限的嵌入式设备上应用人脸检测模型是一个很大的挑战。针对320×240分辨率输入图像的人脸检测在嵌入式系统上的应用问题,提出了一种基于轻量级网络的低分辨率人脸检测算法。该算法使用注意力机制、结合了Distance-IoU (DIoU)与非极大值抑制(NMS)、使用Mish激活函数,同时针对人脸特征比例设置合适的先验框,实现了精度和速度的平衡,并部署到嵌入式平台中。具体地,用深度可分离卷积替代普通卷积,并在卷积块后加入注意力模块(CBAM),使网络更关注待识别的目标物体;代替ReLU激活函数,采用了Mish激活函数来提高模型推理速度;通过结合DIoU与NMS,提高模型对小人脸的检测能力。实验在WIDERFACE数据集的结果证明,该方法不仅能实时高精度地进行人脸检测,而且在小分辨率输入上,精度高于传统算法。扩充数据集之后,模型在复杂光照下的泛化性得到提高。

摘要： 当前许多目标检测算法在非极大值抑制过程中基于分类置信度对检测框排序,但由于分类置信度与定位准确度没有一致性,通常会影响检测器的定位性能.对此提出一种基于定位置信度预测的二阶段目标检测方法,为Faster R-CNN框架添加定位置信度预测分支,对分类、边界框回归和定位置信度3个分支进行联合训练,进而将检测框的定位置信度与分类置信度相融合,设计了基于融合分数的非极大值抑制后处理算法.此外,为定位置信度预测分支设计一种新的基于GIoU非线性变换的定位置信度指标,增大高GIoU检测框之间的定位置信度差异,以利于非极大值抑制过程中重复检测框的筛选.在交通场景人车检测数据集上的实验结果表明,所提方法获得了2.4%的AP提升,特别是AP_(85)和AP_(95)有2.7%~4.3%的提升,对于需要高定位性能的应用场景具有很大的实际意义.

摘要： 针对二维图像无法表征舰船深度信息、舰船紧密排列识别出现误检等问题,改进了MASK R-CNN的模型方法。首先在目标区域方框和类别预测的基础上,合理重建出三维模型;其次在原始的RPN网络中选取级联的方法增加滑动窗口数量,改善感受野获取信息有限问题;同时增加掩膜分支,在描述舰船目标特征的同时,增加对其轮廓边缘的限制;最后结合非极大值抑制的方法对冗余框进行过滤去除,实现对三维舰船实景目标的识别。进行了仿真实验,对舰船目标识别任务上的性能进行了全面分析,实验结果表明改进后的MASK R-CNN算法相比原始方法,在目标识别准确率上提高了14.8%,证明该方法对三维实景模型目标识别的优越性与准确性。

摘要： 针对当前夏比摆锤冲击试验中夏比试样摆放方式具有一定危险性,且摆放位置精度易受影响问题,提出一种改进LSD的夏比试样工位点定位方法。首先对采集到的夏比试样图像进行预处理操作,基于预处理后的图像,利用非极大值抑制改进LSD算法中直线支撑域的种子点选取方法,实现加快直线检测速度;然后对检测得到的直线进行共线筛选合并;最后进行工位点定位。实验结果表明,改进后的LSD算法在夏比试样工位点定位用时更短、精度更高,具有较好的工程应用价值。

摘要： 近些年来,卷积神经网络算法在自然场景文本检测效果上较传统算法已经有了很大提升,但如何有效处理神经网络输出层候选框仍然值得研究。非极大值抑制算法(non-maximum suppression,NMS)通过选择最高置信度候选框作为检测结果,往往容易对较长文本以及混叠文本区域检测失效。考虑到该问题,可以将候选框集合进行排序滤波与融合计算,得到更准确的候选框,有效减少上述检测失效的情况。这种方法,可以直接嵌入原有方法中,而不需要改变网络结构或者增加任何训练量。通过在公开数据集上进行实验,对比其他方法,该方法有较大优势。

摘要： 本文从小波分析出发,提出了一种提取凝结液珠边缘的新方法,为凝结形态参数的定量研究提供了一种可行的途径.该方法中,梯度幅值的计算与梯度幅角相关,确定模极大值点时采用类似Canny算法的非极大值抑制的方法,最后双阈值代替单阈值完成边缘确定.本文算法可提取几乎所有的主要图像信息,与其他基于小波变换的算法相比,该算法可获得更为真实准确的液珠信息,为分析研究凝结形态参数奠定了重要基础.

摘要： 为了进一步提高边缘检测算法的抗噪性和定位精度,提出了一种基于自适应滤波的单像素宽形态学边缘检测算法。首先,分别对图像进行中值滤波和加权均值滤波,并通过自适应调整中值滤波结果和加权均值滤波结果所占的权重抑制脉冲噪声和高斯噪声。然后根据不同取向的结构元素可以有效地检测出不同走向的边缘细节这一特性,定义了一种具有方向估计的形态学梯度,并利用其检测图像的边缘,最后沿梯度方向进行非极大值抑制以获取单像素宽边缘。实验结果表明,本文算法不仅能够准确地检测图像边缘,而且具有较好的抗噪性能,处理速度也较快。

摘要： 现场足迹的背景图案以及灰尘等噪声往往对足迹细节特征的分析造成较大的干扰.为了能够准确的提取现场足迹的边缘,针对现场足迹的特点,在Canny算子的基础上,给出了一种有效的现场足迹边缘检测算法.首先使用高斯平滑抑制噪声,在二维高斯偏导卷积得到梯度边缘方向后由非极大值抑制和动态阈值边缘连接得到结果.相比较其它的算法,该算子不仅能够抑制噪声,而且能有效地保持边缘.

摘要： 本文对离散域Canny算法进行优化,解决了Canny算法中非极大值抑制过程中遇到的同一梯度方向上相邻两个像素梯度值相等而导致的边缘移位问题,并针对Canny算法原有双阈值操作步骤仪能连接强边缘之间的单个弱边缘点,而对强边缘之间的一段弱边缘无能为力的问题。

摘要： 要提高图像检测与识别效率,需要将高维图像数据进行简化,图像目标点检测是一种简化表达的有效方式.介绍了一种图像目标点检测方法——FAST算法,具有特点值提取速度快、效率高的特点,可应用于机器视觉检测.并有较好的实验效果.

摘要： 要提高图像检测与识别效率,需要将高维图像数据进行简化,图像目标点检测是一种简化表达的有效方式.介绍了一种图像目标点检测方法——FAST算法,具有特点值提取速度快、效率高的特点,可应用于机器视觉检测.并有较好的实验效果.

摘要： 要提高图像检测与识别效率,需要将高维图像数据进行简化,图像目标点检测是一种简化表达的有效方式.介绍了一种图像目标点检测方法——FAST算法,具有特点值提取速度快、效率高的特点,可应用于机器视觉检测.并有较好的实验效果.

摘要： 要提高图像检测与识别效率,需要将高维图像数据进行简化,图像目标点检测是一种简化表达的有效方式.介绍了一种图像目标点检测方法——FAST算法,具有特点值提取速度快、效率高的特点,可应用于机器视觉检测.并有较好的实验效果.

摘要： 本发明公开了一种用编码向量的行人图像检测自适应非极大值抑制处理方法。行人图像进行特征提取，获得多幅特征图，特征图中包含有身份信息和密度信息，进而通过网络模型处理获得候选检测框；针对所有候选检测框利用多幅特征图采用非极大值抑制算法进行迭代处理，优化获得行人目标的检测框作为检测结果。本发明方法通过神经网络模型学习检测框编码向量，具备表达行人检测框的密度信息与身份信息的能力，有效地解决了在行人检测中显著的行人相互遮挡问题。

摘要： 本发明公开一种低成本的非极大值抑制电路，涉及图像处理和集成电路设计领域，包括预处理模块、方向区间选择模块和极大值比较模块；预处理模块根据中心点和邻域内参考点梯度，计算中心点和邻域内参考点的梯度幅值和梯度符号；方向区间选择模块根据输入的中心点梯度幅值和梯度符号，确定输入中心点所属的方向区间；极大值比较模块根据输入的方向区间结果，从所有邻域内参考点中，选择出中心点所属梯度区间的参考点，通过梯度幅值比较，确定中心点被保留或被抑制。本发明将中心点梯度方向划分为六个区域，借助简单的逻辑电路将中心点的梯度方向定位至上述六个梯度区域之一，通过与相应区域参考点进行极大值比较，实现了低成本的非极大值抑制运算。

摘要： 本申请公开了一种非极大值抑制计算器和计算方法，该计算器包括第一读写单元、分类计算单元、重叠度计算单元和第二读写单元；第一读写单元为从外部存储器读取每类物体的置信值设标志位写入本地存储器；分类计算单元从本地存储器读取每类物体任意两个非零标志位对应的置信值进行比较获得比较结果；重叠度计算单元读取计算对应的检测框坐标信息的重叠度获得检测框重叠度结果；分类计算单元根据两个结果确定是否更新非零标志位写入本地存储器；第二读写单元从本地存储器读取确定每个检测框非零标志位对应的最大置信值、物体类别和检测框序号写入外部存储器。可见，只读取非零标志位对应的数据进行多类并行处理，减少访问频率，减少计算量提高计算力。

摘要： 本发明公开了一种非极大值抑制、动态阈值计算及图像边缘检测方法，所述检测方法包括高斯滤波消除原始图像中的高斯噪声，获取所述高斯滤波后所得图像每个像素点的梯度，利用所述各像素点的梯度幅值和梯度方向进行非极大值抑制处理，获得候选边缘图像，所述候选边缘图像中标记了作为候选边缘点的像素点，计算图像中目标体轮廓边缘点的动态阈值，并用所述动态阈值筛选所述候选边缘点，获得边缘图像。本发明通过比较水平方向和垂直方向的梯度幅值大小确定梯度方向，避免了梯度方向角的计算，简化了边缘检测的计算复杂度，动态阈值计算方法可有效区分图像中目标体表面纹理造成的伪边缘和目标体的轮廓边缘，为目标体识别提供了更加准确的边缘信息。

摘要： 本发明公开一种特征层敏感的二阶段邻居非极大值抑制方法，包括：将非极大值抑制操作分为层内非极大值抑制阶段和邻居层间非极大值抑制阶段：在层内非极大值抑制阶段，在每个特征层对该层内所有置信度大于阈值的预测边框进行邻居计算，并完成层内预测边框的过滤和合并；在邻居层间极大值抑制阶段，根据预测边框所在层，仅在邻居层的预测边框之间进行非极大值抑制过滤。采用本发明技术方案能够降低误检率，并提高预测边框的位置准确度，避免目标密集场景下大目标抑制附近的真实小目标，导致小目标漏检，提升整体检测率，同时二阶段非极大值抑制相对标准非极大值抑制方法降低了计算复杂度。

摘要： 本发明公开一种自适应选择交并区域比阈值的非极大值抑制方法。所述方法包括：初始化设定多个IOU阈值；过滤置信度小于指定阈值的预测边框，并根据目标类型分为不同类的集合；对所有类的集合以及集合中的所有元素执行如下操作：选择一个类的集合，取出置信度最高的预测边框，依次计算与集合中其他预测边框的IOU，综合根据两个预测边框的中心点绝对距离、所属特征层下采样率与训练正样本选择策略，动态设置IOU阈值，并从集合中删除超过阈值的预测边框，执行预测边框非极大值抑制操作；完成所有类别的非极大值抑制操作后输出目标检测结果。采用本申请技术方案，能够过滤重复的预测边框，降低误检率，且能够避免小目标的漏检，提高小目标检测概率。

摘要： 本发明提出了一种改进的非极大值抑制YOLOv4交通标志识别定位方法，解决标准YOLOv4算法非极大值抑制(NMS)人为设定阈值和遇到被检测物体在同一区域内高度重叠时无法区分的问题；首先下载通用数据集tt100k数据集与LISA数据集，并进行数据增强；其次使用标准YOLOv4网络对两个增强后的数据集进行训练，检测其性能；然后针对现有标准YOLOv4算法中NMS的缺点提出改进版NMS算法，并将其嵌入YOLOv4模型进行训练；最后对比标准YOLOv4算法，分析测试结果；本发明提出的基于NMS改进的YOLOv4算法，引入分数重置的思想，综合考虑重叠度与置信度得分后，得到了合适的函数作为NMS改进的核心；改进后的NMS算法更适合于检测区域中有多个检测目标重叠的情况，且鲁棒性较好，可用于多个数据集的性能提升。

摘要： 并行执行非极大值抑制(NMS)以移除冗余边界框的装置、系统和技术。在至少一个实施例中，两个或更多个并行电路并行执行NMS算法的两个或更多个部分以移除对应于一个或更多个数字图像中的一个或更多个对象的一个或更多个冗余边界框。

摘要： 本发明公开了基于注意力机制的非极大值抑制方法、系统、设备和介质，解决了现有的非极大值抑制算法会出现漏检目标，其技术方案要点是：基于注意力机制算法对候选框进行加权融合处理，获得候选框中基于注意力机制的第一置信度值；预设全交并比损失函数阈值，基于注意力机制的加权惩罚算法对全交并比损失函数值大于全交并比损失函数阈值的候选框对应的第一置信度值进行抑制处理，获得第二置信度值；预设注意力机制算法的权重阈值，判断第二置信度值是否小于权重阈值，若是则删除与之对应的候选框。本发明避免因此置信度过大导致重叠部分的目标被漏检，提高了非极大值抑制算法在消除多余候选框的准确性，从而减少了冗余的候选框对检测结果的影响。

摘要： 本发明公开了一种用于目标检测的非极大值抑制加速方法、系统和设备，涉及图像识别技术领域，解决现有的非极大值抑制算法在候选边界框(候选框)数量较多的时候，算法耗时较多，影响算法整体收敛速度，其技术方案要点是：获取包含检测目标的目标图像，对目标图像进行特征提取，获得特征图，其中，特征图包括多个第一候选框；采用聚类算法对特征图的多个第一候选框的中心点进行聚类处理，获得多组第一候选框；采用非极大值抑制算法同时去除多组第一候选框中冗余的第一候选框，获得第二候选框；采用回归算法对第二候选框进行回归处理，获得检测目标的位置及类别信息。本发明提升了现有非极大值抑制算法的收敛速度，降低了算法的耗时。