ДалееСледующее руководство
BYOL и неконтрастный самоконтроль
Технический
Визуальное руководство по искусственному интеллекту
Немаксимальное подавление
Немаксимальное подавление (NMS) — это этап очистки, который превращает беспорядочную кучу перекрывающихся блоков обнаружения в один аккуратный блок для каждого объекта.
Прослушайте это руководствоОзвучено ИИ · ~2 min
На этой странице2 минуты чтения
Обзор
Without it, detectors would report the same car five or ten times.
Глубокое погружение
Детекторы объектов обычно прогнозируют множество блоков-кандидатов вокруг каждого реального объекта, каждый из которых имеет оценку достоверности. NMS сокращает эту избыточность. Классический жадный алгоритм сортирует все блоки по баллам, сохраняет блок с самым высоким рейтингом, а затем удаляет любой оставшийся блок, чье перекрытие с ним (измеряемое пересечением по объединению, IoU) превышает пороговое значение, например 0,5. Он повторяет это с уцелевшими ящиками, пока ни одного не останется. В результате получается один репрезентативный блок для каждого объекта. NMS прост, быстр и не требует большого количества параметров, но у него есть недостатки: фиксированный порог IoU может ошибочно подавлять настоящий близлежащий объект в многолюдных сценах, и он рассматривает перекрытие как двоичное. Для решения этой проблемы используются такие варианты, как показатели затухания Soft-NMS, вместо полного удаления полей.
Реальная реализация
Свертывание десятков перекрывающихся блоков лиц в одно для каждого лица в приложениях камеры и фототегов.
Создание чистых единых ограничивающих рамок для каждого транспортного средства и пешехода в детекторах автономного вождения.
Устранение дублирования перекрывающихся полей текстовых областей в конвейерах распознавания документов и номерных знаков.
Устранение лишних объектных предложений в системах контроля полок и инвентаризации розничной торговли
Будущее немаксимального подавления
NMS остается постпроцессором по умолчанию, но постепенно его удаляют. Soft-NMS, DIoU-NMS и изученные варианты улучшают обработку многолюдных сцен, в то время как сквозные детекторы, такие как DETR, используют двустороннее сопоставление на основе наборов для прямого прогнозирования уникальных блоков, полностью исключая NMS. Ожидайте, что пороговые значения, настраиваемые вручную, уступят место изученным конструкциям или конструкциям без NMS, особенно по мере того, как детекторы трансформаторов становятся более совершенными, а системы реального времени требуют детерминированной постобработки без ветвлений.
Применение на практике
Почему это важно
- Скорость и масштаб. Визуальный ИИ может автоматизировать задачи проверки, обнаружения и маркировки в любом масштабе.
- Выбор сборки. Творческие группы могут быстрее создавать прототипы концепций с меньшим количеством доработок вручную.
- Команда и рабочий процесс. Операции могут использовать изображения и видеосигналы, которые раньше было трудно обрабатывать.
Следите за
- Права на изображение и согласие могут стать юридическими рисками, если происхождение неясно.
- Производительность модели может варьироваться в зависимости от освещения, демографии и окружающей среды.
- Ложноположительные результаты могут остаться незамеченными, если не контролировать пороговые значения достоверности.
Следующие шаги
- Определите критерии приемки точности, стоимости отзыва и ошибок.
- Тестируйте с данными, которые соответствуют реальным производственным условиям.
- Добавьте человеческую проверку для прогнозов с низкой достоверностью или высокой эффективностью.
- Отслеживайте дрейф модели и выполняйте ее повторную проверку после изменений камеры или набора данных.
Продолжайте исследовать
Бесплатная рассылка
Получайте ежедневный AI-обзор
Три проверенных AI-истории каждое утро буднего дня, написанные простым английским. Бесплатно навсегда, без рекламы.
Одно электронное письмо каждый будний день. Отписаться в один клик. Мы никогда не продаем и не передаем ваш адрес.
Проверьте себя
Take the Non-Maximum Suppression quiz
Мгновенная обратная связь по каждому ответу и общий сертификат с проверяемым идентификатором после прохождения курса.
Поддержите бесплатное образование в области искусственного интеллекта. AI Understanding — это некоммерческая организация 501(c)(3). Никакой рекламы и платного доступа. Сделать пожертвование
Часто задаваемые вопросы
What is Non-Maximum Suppression?
Немаксимальное подавление (NMS) — это этап очистки, который превращает беспорядочную кучу перекрывающихся блоков обнаружения в один аккуратный блок для каждого объекта. Без него детекторы зафиксировали бы одну и ту же машину пять или десять раз.
Какова основная цель немаксимального подавления при обнаружении объектов?
NMS устраняет множество перекрывающихся блоков-кандидатов, создаваемых детектором, оставляя один репрезентативный блок для каждого объекта.
Какую метрику использует стандартная NMS, чтобы решить, не слишком ли сильно перекрываются два поля?
Меры NMS перекрываются с IoU: площадь пересечения, разделенная на площадь объединения двух блоков.
В жадной NMS какой ящик выбирается первым в каждом раунде?
Greedy NMS сортирует блоки по достоверности и сохраняет ящик с самым высоким рейтингом, а затем подавляет перекрытие блоков с более низким рейтингом.
Какова известная слабость жадной NMS в многолюдных сценах?
Поскольку NMS удаляет все поля, превышающие порог IoU, NMS может ошибочно удалить истинное обнаружение другого объекта, который случайно перекрывается.
Чем Soft-NMS отличается от стандартной NMS?
Soft-NMS снижает (ухудшает) достоверность перекрывающихся блоков, а не отбрасывает их, уменьшая ложное подавление в многолюдных сценах.
Продолжайте учиться
Связанные руководства
Другие руководства, выбранные по этой теме