Vizuális MI ÚTMUTATÓ

Nem maximális elnyomás

A Non-Maximum Suppression (NMS) az a tisztítási lépés, amely az egymást átfedő érzékelődobozok rendetlen halomát objektumonként egy rendezett dobozzá alakítja.

Hallgassa meg ezt az útmutatótAI-narrált · ~2 min

Ezen az oldalon2 perc olvasás
  1. Áttekintés
  2. Mély merülés
  3. Valós megvalósítás
  4. A nem maximális elnyomás jövője
  5. A gyakorlatba ültetés
  6. Folytassa a felfedezést
  7. Gyakran ismételt kérdések

Áttekintés

Without it, detectors would report the same car five or ten times.

Mély merülés

Az objektumdetektorok jellemzően sok jelöltdobozt jósolnak meg minden valódi objektum körül, mindegyiknek megbízhatósági pontszáma van. Az NMS csökkenti ezt a redundanciát. A klasszikus mohó algoritmus az összes dobozt pontszám szerint rendezi, megtartja a legmagasabb pontszámot elérőt, majd eltávolítja az összes megmaradt dobozt, amelynek átfedése (az Unió feletti metszéspont, IoU értékkel mérve) meghaladja a 0,5-ös küszöböt. Ezt ismétli a fennmaradt dobozokon, amíg egy sem marad. Az eredmény objektumonként egy reprezentatív doboz. Az NMS egyszerű, gyors és paramétermentes, de vannak gyengeségei: a rögzített IoU küszöb tévesen elnyomhatja a valódi közeli objektumot zsúfolt jelenetekben, és az átfedést binárisként kezeli. Az olyan változatok, mint a Soft-NMS, lecsökkentik a pontszámokat ahelyett, hogy azonnal törölnék a dobozokat ennek megoldására.

Valós megvalósítás

Több tucat átfedő arcdoboz összecsukása arconként egybe a kamera- és fotócímkéző alkalmazásokban

Tiszta, egyetlen határoló dobozok gyártása járművenként és gyalogosonként autonóm vezetésű érzékelőkben

Az átfedő szövegrégió dobozok duplikációjának megszüntetése a dokumentum- és rendszámtábla-OCR-folyamatokban

Redundáns objektumjavaslatok tisztítása kiskereskedelmi polcfigyelő és készletszámláló rendszerekben

A nem maximális elnyomás jövője

Az NMS továbbra is az alapértelmezett utófeldolgozó, de a mező az eltávolítása felé halad. A Soft-NMS, a DIoU-NMS és a tanult változatok javítják a zsúfolt jelenetek kezelését, míg a végpontok közötti detektorok, mint például a DETR, halmazalapú kétrészes egyeztetést használnak az egyedi dobozok közvetlen előrejelzésére, teljesen kiküszöbölve az NMS-t. Várható, hogy a kézzel hangolt küszöbértékek átadják a helyüket a tanult vagy NMS-mentes kialakításoknak, különösen mivel a transzformátordetektorok érettek, és a valós idejű rendszerek determinisztikus, elágazásmentes utófeldolgozást igényelnek.

A gyakorlatba ültetés

Miért számít

  • Sebesség és méretarány. A vizuális AI képes automatizálni az ellenőrzési, észlelési és címkézési feladatokat nagy léptékben.
  • Építési lehetőségek. A kreatív csapatok gyorsabban prototípusokat készíthetnek a koncepciókból, kevesebb kézi átdolgozással.
  • Csapat és munkafolyamat. A műveletek olyan kép- és videojeleket használhatnak, amelyeket korábban nehéz volt feldolgozni.

Vigyázz

  • A képhez fűződő jogok és a beleegyezés jogi kockázatot jelenthet, ha a származás nem egyértelmű.
  • A modell teljesítménye a világítástól, a demográfiai adatoktól és a környezettől függően változhat.
  • A hamis pozitívumok észrevétlenek maradhatnak, hacsak nem figyelik a megbízhatósági küszöböket.

Következő lépések

  1. Határozza meg a pontosság, a visszahívás és a hibaköltségek elfogadási kritériumait.
  2. Tesztelje a valós gyártási feltételeknek megfelelő adatokkal.
  3. Adjon hozzá emberi felülvizsgálatot az alacsony megbízhatóságú vagy nagy hatású előrejelzésekhez.
  4. A modell elsodródásának nyomon követése és újbóli érvényesítése a kamera vagy az adatkészlet módosítása után.

Folytassa a felfedezést

Ingyenes hírlevél

Szerezze meg a napi AI összefoglalót

Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.

Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.

Teszteld magad

Take the Non-Maximum Suppression quiz

Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.

Kezdő kvíz

Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt

Gyakran ismételt kérdések

What is Non-Maximum Suppression?

A Non-Maximum Suppression (NMS) az a tisztítási lépés, amely az egymást átfedő érzékelődobozok rendetlen halomát objektumonként egy rendezett dobozzá alakítja. Enélkül a detektorok ötször vagy tízszer jelentenék ugyanazt az autót.

Mi a nem maximális elnyomás fő célja az objektumészlelésben?

Az NMS kiküszöböli a detektor által létrehozott sok egymást átfedő jelöltdobozt, így objektumonként egyetlen reprezentatív doboz marad.

Melyik mérőszámot használja a szabványos NMS annak eldöntésére, hogy két doboz túlságosan fedi-e egymást?

Az NMS mérései átfedésben vannak az IoU-val: a metszésterület osztva a két doboz egyesülési területével.

A mohó NMS-ben melyik mezőt választják ki először minden körben?

A mohó NMS magabiztosan rendezi a dobozokat, és megtartja a legmagasabb pontszámot elérőt, majd elnyomja az átfedő, alacsonyabb pontszámú dobozokat.

Mi a mohó NMS ismert gyengesége zsúfolt jelenetekben?

Mivel törli az IoU küszöbérték feletti összes mezőt, az NMS tévesen eltávolíthatja egy másik objektum valódi észlelését, amely történetesen átfedésben van.

Miben különbözik a Soft-NMS a szabványos NMS-től?

A Soft-NMS csökkenti (csökkenti) az átfedő dobozok megbízhatóságát, ahelyett, hogy eldobná őket, csökkentve a hamis elnyomást a zsúfolt jelenetekben.