비최대 억제
NMS(Non-Maximum Suppression)는 지저분하게 겹쳐진 감지 상자 더미를 개체당 하나의 깔끔한 상자로 바꾸는 정리 단계입니다.
개요
Without it, detectors would report the same car five or ten times.
심층 분석
객체 감지기는 일반적으로 각 실제 객체 주변의 많은 후보 상자를 예측하며 각 상자에는 신뢰도 점수가 있습니다. NMS는 이러한 중복성을 정리합니다. 전통적인 그리디 알고리즘은 모든 상자를 점수별로 정렬하고 가장 높은 점수를 받은 상자를 유지한 다음, 해당 상자와 겹치는 부분(Intersection over Union, IoU로 측정)이 0.5와 같은 임계값을 초과하는 나머지 상자를 제거합니다. 아무것도 남지 않을 때까지 살아남은 상자에 대해 이것을 반복합니다. 결과는 개체당 하나의 대표 상자입니다. NMS는 간단하고 빠르며 매개변수가 가볍지만 약점이 있습니다. 고정된 IoU 임계값은 혼잡한 장면에서 실제 근처 객체를 잘못 억제할 수 있으며 중첩을 이진으로 처리합니다. 이 문제를 해결하기 위해 상자를 완전히 삭제하는 대신 Soft-NMS 붕괴 점수와 같은 변형이 있습니다.
기술적 통찰력
핵심 측정값은 IoU입니다. 두 상자의 교차 영역을 합집합 영역으로 나눈 값입니다. Greedy NMS는 최악의 경우 O(n^2)이지만 실제로는 빠릅니다. IoU 임계값은 정밀도와 재현율을 절충합니다. 임계값이 낮으면 더 많은 상자가 제거되고(근처 객체를 놓칠 위험), 임계값이 높으면 더 많은 상자가 유지됩니다(중복 위험). NMS는 일반적으로 클래스별로 적용되므로 서로 다른 카테고리의 상자가 서로를 억제하지 않습니다.
전략적 영향
속도와 규모
Visual AI는 대규모 검사, 감지 및 태그 지정 작업을 자동화할 수 있습니다.
빌드 선택
크리에이티브 팀은 수동 수정 횟수를 줄여 컨셉의 프로토타입을 더 빠르게 제작할 수 있습니다.
팀과 워크플로우
이전에는 처리하기 어려웠던 이미지 및 비디오 신호를 작업에 사용할 수 있습니다.
비최대 억제의 미래
NMS는 기본 후처리 프로세서로 남아 있지만 업계에서는 NMS를 제거하는 방향으로 움직이고 있습니다. Soft-NMS, DIOU-NMS 및 학습된 변형은 혼잡한 장면 처리를 개선하는 반면, DETR과 같은 엔드투엔드 감지기는 세트 기반 이분 매칭을 사용하여 고유한 상자를 직접 예측하여 NMS를 완전히 제거합니다. 특히 변압기 감지기가 성숙해지고 실시간 시스템이 결정적이며 분기 없는 후처리를 요구함에 따라 수동으로 조정된 임계값이 학습된 설계 또는 NMS 없는 설계에 양보할 것으로 예상됩니다.
실제 구현
카메라 및 사진 태그 지정 앱에서 수십 개의 겹쳐진 얼굴 상자를 얼굴당 하나로 축소
자율 주행 감지기에서 차량 및 보행자별로 깔끔한 단일 경계 상자 생성
문서 및 번호판 OCR 파이프라인에서 중복되는 텍스트 영역 상자 중복 제거
소매점 선반 모니터링 및 재고 계산 시스템에서 중복 개체 제안 정리
위험 및 가드레일
출처가 불분명할 경우 이미지 권리 및 동의는 법적 위험이 될 수 있습니다.
모델 성능은 조명, 인구통계, 환경에 따라 달라질 수 있습니다.
신뢰도 임계값을 모니터링하지 않으면 거짓양성이 발견되지 않을 수 있습니다.
구현 로드맵
정밀도, 재현율, 오류 비용에 대한 허용 기준을 정의합니다.
실제 생산 조건과 일치하는 데이터로 테스트합니다.
신뢰도가 낮거나 영향력이 큰 예측에 대해 인적 검토를 추가합니다.
모델 드리프트를 추적하고 카메라 또는 데이터 세트가 변경된 후 재검증합니다.
계속 탐색하세요
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Non-Maximum Suppression quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
다음 가이드
BYOL 및 비대조적 자체 감독
자주 묻는 질문
What is Non-Maximum Suppression?
NMS(Non-Maximum Suppression)는 지저분하게 겹쳐진 감지 상자 더미를 개체당 하나의 깔끔한 상자로 바꾸는 정리 단계입니다. 그것이 없었다면 탐지기는 동일한 차량을 5~10번 신고했을 것입니다.
물체 감지에서 Non-Maximum Suppression의 주요 목적은 무엇입니까?
NMS는 감지기가 생성하는 여러 개의 중복되는 후보 상자를 제거하여 객체당 하나의 대표 상자를 남깁니다.
두 상자가 너무 많이 겹치는지 여부를 결정하기 위해 표준 NMS는 어떤 측정 기준을 사용합니까?
NMS 측정값은 IoU와 겹칩니다. 교차 영역을 두 상자의 결합 영역으로 나눈 것입니다.
탐욕스러운 NMS에서는 각 라운드마다 어떤 상자가 먼저 선택됩니까?
Greedy NMS는 신뢰도를 기준으로 상자를 정렬하고 가장 높은 점수를 받은 상자를 유지한 다음, 낮은 점수를 받은 상자가 겹치는 것을 억제합니다.
혼잡한 장면에서 탐욕스러운 NMS의 알려진 약점은 무엇입니까?
IoU 임계값을 초과하는 모든 상자를 삭제하기 때문에 NMS는 겹치는 다른 객체에 대한 실제 감지를 잘못 제거할 수 있습니다.
Soft-NMS는 표준 NMS와 어떻게 다릅니까?
Soft-NMS는 상자를 버리는 대신 겹치는 상자의 신뢰도를 낮추어(감소) 혼잡한 장면에서 잘못된 억제를 줄입니다.