คู่มือ AI แบบเห็นภาพ
การปราบปรามที่ไม่สูงสุด
Non-Maximum Suppression (NMS) เป็นขั้นตอนการล้างข้อมูลที่จะเปลี่ยนกองการตรวจจับที่ทับซ้อนกันที่ยุ่งเหยิงให้กลายเป็นกล่องเดียวที่เป็นระเบียบเรียบร้อยต่อวัตถุ
ฟังคำแนะนำนี้บรรยายโดย AI · ~2 min
บนหน้านี้อ่าน 2 นาที
ภาพรวม
หากไม่มีมัน เครื่องตรวจจับจะรายงานรถคันเดิมซ้ํา ๆ ห้าหรือสิบครั้ง
เจาะลึก
โดยทั่วไปแล้วตัวตรวจจับวัตถุจะทำนายกล่องตัวเลือกจำนวนมากรอบๆ วัตถุจริงแต่ละชิ้น โดยแต่ละกล่องจะมีคะแนนความเชื่อมั่น NMS จะตัดความซ้ำซ้อนนี้ออก อัลกอริธึมโลภแบบคลาสสิกจะจัดเรียงกล่องทั้งหมดตามคะแนน เก็บกล่องที่มีคะแนนสูงสุด จากนั้นลบกล่องที่เหลือซึ่งทับซ้อนกับกล่องนั้น (วัดโดย Intersection over Union, IoU) เกินเกณฑ์ เช่น 0.5 มันทำซ้ำบนกล่องที่ยังมีชีวิตอยู่จนไม่มีเหลือเลย ผลลัพธ์ที่ได้คือหนึ่งกล่องตัวแทนต่อวัตถุ NMS นั้นเรียบง่าย รวดเร็ว และใช้พารามิเตอร์น้อย แต่มีจุดอ่อน: เกณฑ์ IoU คงที่สามารถระงับวัตถุใกล้เคียงของแท้ในฉากที่มีผู้คนหนาแน่นได้อย่างไม่ถูกต้อง และจะถือว่าการทับซ้อนกันเป็นไบนารี ตัวแปรต่างๆ เช่น คะแนนการสลายตัวของ Soft-NMS แทนที่จะลบกล่องออกทันทีเพื่อแก้ไขปัญหานี้
การใช้งานจริงในโลกแห่งความเป็นจริง
ยุบกล่องใบหน้าที่ทับซ้อนกันหลายสิบกล่องให้เป็นกล่องเดียวต่อใบหน้าในแอปกล้องถ่ายรูปและการแท็กรูปภาพ
การผลิตกล่องกั้นเขตเดี่ยวที่สะอาดต่อรถยนต์และคนเดินถนนในเครื่องตรวจจับการขับขี่อัตโนมัติ
ยกเลิกการทำซ้ำกล่องภูมิภาคข้อความที่ทับซ้อนกันในเอกสารและไปป์ไลน์ OCR ป้ายทะเบียน
การทำความสะอาดข้อเสนอวัตถุที่ซ้ำซ้อนในระบบตรวจสอบชั้นวางขายปลีกและการนับสินค้าคงคลัง
อนาคตของการปราบปรามแบบไม่สูงสุด
NMS ยังคงเป็นตัวประมวลผลหลังเริ่มต้น แต่ฟิลด์กำลังเคลื่อนไปสู่การลบออก Soft-NMS, DIoU-NMS และตัวแปรที่เรียนรู้ช่วยปรับปรุงการจัดการกับฉากที่มีผู้คนหนาแน่น ในขณะที่เครื่องตรวจจับจากต้นทางถึงปลายทาง เช่น DETR ใช้การจับคู่แบบแบ่งส่วนตามชุดเพื่อทำนายกล่องที่ไม่ซ้ำใครโดยตรง โดยกำจัด NMS ทั้งหมด คาดหวังว่าเกณฑ์ที่ได้รับการปรับแต่งด้วยมือจะเป็นการเปิดทางให้กับการเรียนรู้หรือการออกแบบที่ปราศจาก NMS โดยเฉพาะอย่างยิ่งเมื่อเครื่องตรวจจับหม้อแปลงมีความสมบูรณ์และระบบเรียลไทม์ต้องการกระบวนการหลังการประมวลผลที่กำหนดขึ้นและปราศจากสาขา
การนำไปปฏิบัติ
ทำไมมันถึงสำคัญ
- ความเร็วและขนาด. Visual AI สามารถทำให้การตรวจสอบ การตรวจจับ และการแท็กเป็นอัตโนมัติในขนาดต่างๆ
- สร้างทางเลือก. ทีมสร้างสรรค์สามารถสร้างต้นแบบแนวคิดได้รวดเร็วขึ้นโดยต้องมีการแก้ไขด้วยตนเองน้อยลง
- ทีมงานและขั้นตอนการทำงาน. การดำเนินการสามารถใช้สัญญาณภาพและวิดีโอที่ก่อนหน้านี้ประมวลผลได้ยาก
ระวัง
- สิทธิ์และความยินยอมในรูปภาพอาจกลายเป็นความเสี่ยงทางกฎหมายได้หากแหล่งที่มาไม่ชัดเจน
- ประสิทธิภาพของโมเดลอาจแตกต่างกันไปตามสภาพแสง ข้อมูลประชากร และสภาพแวดล้อม
- ผลบวกลวงอาจไม่สังเกตเห็นเว้นแต่จะมีการตรวจสอบเกณฑ์ความเชื่อมั่น
ขั้นตอนต่อไป
- กำหนดเกณฑ์การยอมรับสำหรับความแม่นยำ การเรียกคืน และต้นทุนข้อผิดพลาด
- ทดสอบด้วยข้อมูลที่ตรงกับเงื่อนไขการผลิตจริง
- เพิ่มการตรวจสอบโดยเจ้าหน้าที่สำหรับการคาดการณ์ที่มีความมั่นใจต่ำหรือมีผลกระทบสูง
- ติดตามการเคลื่อนตัวของโมเดลและตรวจสอบความถูกต้องอีกครั้งหลังจากการเปลี่ยนแปลงกล้องหรือชุดข้อมูล
สำรวจต่อไป
จดหมายข่าวฟรี
รับสรุป AI รายวัน
เรื่องราว AI ที่ตรวจสอบแล้ว 3 เรื่องทุกวันทำงาน เช้า, เขียนเป็นภาษาอังกฤษธรรมดา ฟรีตลอดไป ไม่มีโฆษณา
อีเมลหนึ่งฉบับทุกวันทำงาน ยกเลิกการสมัครในคลิกเดียว เราไม่เคยขายหรือแชร์ที่อยู่อีเมลของคุณ
ทดสอบตัวเอง
ทำแบบทดสอบการปราบปรามไม่สูงสุด
ข้อเสนอแนะทันทีสำหรับทุกคำตอบ และใบรับรองที่สามารถแชร์ได้พร้อม ID ที่ตรวจสอบได้เมื่อคุณผ่านหลักสูตร
สนับสนุนการศึกษา AI ฟรี AI Understanding เป็นองค์กรไม่แสวงหาผลกำไร 501(c)(3) — ไม่มีโฆษณา ไม่มีกำแพงเงิน, ตลอดไป บริจาค
คำถามที่พบบ่อย
การกดขี่แบบไม่สูงสุดคืออะไร?
Non-Maximum Suppression (NMS) เป็นขั้นตอนการล้างข้อมูลที่จะเปลี่ยนกองการตรวจจับที่ทับซ้อนกันที่ยุ่งเหยิงให้กลายเป็นกล่องเดียวที่เป็นระเบียบเรียบร้อยต่อวัตถุ หากไม่มีอุปกรณ์ดังกล่าว อุปกรณ์ตรวจจับจะรายงานรถคันเดียวกันห้าหรือสิบครั้ง
วัตถุประสงค์หลักของ Non-Maximum Suppression ในการตรวจจับวัตถุคืออะไร?
NMS จะกำจัดกล่องผู้สมัครที่ทับซ้อนกันหลายกล่องที่เครื่องตรวจจับสร้างขึ้น โดยเหลือกล่องตัวแทนเพียงกล่องเดียวต่อวัตถุ
NMS มาตรฐานใช้ตัวชี้วัดใดในการตัดสินใจว่ากล่องสองกล่องทับซ้อนกันมากเกินไปหรือไม่
การวัด NMS ทับซ้อนกับ IoU: พื้นที่ทางแยกหารด้วยพื้นที่สหภาพของทั้งสองกล่อง
ใน NMS โลภ กล่องไหนจะถูกเลือกก่อนในแต่ละรอบ?
Greedy NMS จัดเรียงกล่องตามความมั่นใจและเก็บกล่องที่มีคะแนนสูงสุดไว้ จากนั้นจะระงับกล่องที่มีคะแนนต่ำกว่าที่ทับซ้อนกัน
อะไรคือจุดอ่อนที่ทราบของ NMS โลภในฉากที่มีผู้คนหนาแน่น?
เนื่องจากจะลบกล่องใดๆ ที่อยู่เหนือเกณฑ์ IoU NMS จึงสามารถลบการตรวจจับที่แท้จริงของอ็อบเจ็กต์อื่นที่ทับซ้อนกันได้อย่างไม่ถูกต้อง
Soft-NMS แตกต่างจาก NMS มาตรฐานอย่างไร
Soft-NMS ช่วยลด (ลดลง) ความเชื่อมั่นของกล่องที่ทับซ้อนกัน แทนที่จะทิ้งมันไป ลดการปราบปรามที่ผิดพลาดในฉากที่มีผู้คนหนาแน่น
เรียนรู้ต่อไป
คำแนะนำที่เกี่ยวข้อง
คำแนะนำเพิ่มเติมที่เลือกสำหรับหัวข้อนี้