热门标签 | HotTags
当前位置:  开发笔记 > 编程语言 > 正文

C++实现非极大值抑制(NMS)算法详解

本文详细介绍了非极大值抑制(Non-MaximumSuppression,NMS)算法的原理及其在目标检测中的应用,并提供了C++语言的具体实现代码。NMS算法通过筛选出高得分的检测框并移除重叠度高的其他检测框,有效提高了检测结果的准确性和可靠性。

1. 非极大值抑制 (NMS) 算法

1.1 算法原理

NMS算法是一种用于目标检测后处理的技术,旨在从多个候选框中选择最合适的检测框,同时去除冗余的重叠框。具体步骤如下:

  1. 首先,根据每个检测框的置信度得分进行降序排序。
  2. 然后,选取得分最高的检测框作为当前最佳框,并计算其与剩余所有检测框之间的交并比(Intersection over Union, IoU)。
  3. 如果某个检测框与当前最佳框的IoU超过了预设的阈值,则认为该检测框是冗余的,将其移除。
  4. 重复上述过程,直到所有检测框都已处理完毕。

1.2 C++ 实现

以下是针对单类别检测框的NMS算法的C++实现代码:

#include 
#include
#include

std::vector cpu_nms(Eigen::Matrix& bboxes, tensorflow::Tensor& scores, float nms_thresh) {
auto m_scores = Eigen::Map>(scores.flat().data(), 300, 2);
Eigen::VectorXf class_vec = m_scores.col(1); // 按照得分排序
Eigen::VectorXi score_order(300);
argsort(class_vec, score_order);
Eigen::VectorXf x1 = bboxes.col(4);
Eigen::VectorXf y1 = bboxes.col(5);
Eigen::VectorXf x2 = bboxes.col(6);
Eigen::VectorXf y2 = bboxes.col(7);
Eigen::VectorXf offset(300);
offset.setConstant(1.0);
std::vector keep;
// 计算 bounding box 面积
Eigen::VectorXf areas = (x2 - x1 + offset).cwiseProduct(y2 - y1 + offset);
while (score_order.size() > 0) {
int i = score_order[0];
keep.push_back(i);
int order_size = score_order.size();
// 计算得分最高的检测框与其他检测框的重合区域面积
Eigen::VectorXf xx1 = x1(score_order.segment(1, order_size - 1)).cwiseMax(x1[i]);
Eigen::VectorXf yy1 = y1(score_order.segment(1, order_size - 1)).cwiseMax(y1[i]);
Eigen::VectorXf xx2 = x2(score_order.segment(1, order_size - 1)).cwiseMin(x2[i]);
Eigen::VectorXf yy2 = y2(score_order.segment(1, order_size - 1)).cwiseMin(y2[i]);
Eigen::VectorXf w = (xx2 - xx1 + Eigen::VectorXf::Ones(order_size - 1)).cwiseMax(0);
Eigen::VectorXf h = (yy2 - yy1 + Eigen::VectorXf::Ones(order_size - 1)).cwiseMax(0);
Eigen::VectorXf inter = w.cwiseProduct(h);
Eigen::VectorXf area_score_max(order_size - 1);
area_score_max.setConstant(areas[i]);
// 计算得分最高的检测框与其他检测框的面积和
Eigen::VectorXf ovr = inter.cwiseQuotient(area_score_max + areas(score_order.segment(1, order_size - 1)) - inter);
Eigen::VectorXi index_cOnd= (ovr.array() ();
int cond_sum = index_cond.sum();
Eigen::VectorXi inds(cond_sum);
inds.setZero();
select_where(index_cond, inds);
Eigen::VectorXi offset2(cond_sum);
offset2.setConstant(1);
Eigen::VectorXi selcet_elem = score_order(inds + offset2);
score_order = selcet_elem;
}
return keep;
}

推荐阅读
  • 本教程详细介绍了如何使用 TensorFlow 2.0 构建和训练多层感知机(MLP)网络,涵盖回归和分类任务。通过具体示例和代码实现,帮助初学者快速掌握 TensorFlow 的核心概念和操作。 ... [详细]
  • 1:有如下一段程序:packagea.b.c;publicclassTest{privatestaticinti0;publicintgetNext(){return ... [详细]
  • 题目描述:给定n个半开区间[a, b),要求使用两个互不重叠的记录器,求最多可以记录多少个区间。解决方案采用贪心算法,通过排序和遍历实现最优解。 ... [详细]
  • 构建基于BERT的中文NL2SQL模型:一个简明的基准
    本文探讨了将自然语言转换为SQL语句(NL2SQL)的任务,这是人工智能领域中一项非常实用的研究方向。文章介绍了笔者在公司举办的首届中文NL2SQL挑战赛中的实践,该比赛提供了金融和通用领域的表格数据,并标注了对应的自然语言与SQL语句对,旨在训练准确的NL2SQL模型。 ... [详细]
  • 本文深入探讨了Linux系统中网卡绑定(bonding)的七种工作模式。网卡绑定技术通过将多个物理网卡组合成一个逻辑网卡,实现网络冗余、带宽聚合和负载均衡,在生产环境中广泛应用。文章详细介绍了每种模式的特点、适用场景及配置方法。 ... [详细]
  • 本文探讨了如何在给定整数N的情况下,找到两个不同的整数a和b,使得它们的和最大,并且满足特定的数学条件。 ... [详细]
  • 机器学习中的相似度度量与模型优化
    本文探讨了机器学习中常见的相似度度量方法,包括余弦相似度、欧氏距离和马氏距离,并详细介绍了如何通过选择合适的模型复杂度和正则化来提高模型的泛化能力。此外,文章还涵盖了模型评估的各种方法和指标,以及不同分类器的工作原理和应用场景。 ... [详细]
  • 尽管使用TensorFlow和PyTorch等成熟框架可以显著降低实现递归神经网络(RNN)的门槛,但对于初学者来说,理解其底层原理至关重要。本文将引导您使用NumPy从头构建一个用于自然语言处理(NLP)的RNN模型。 ... [详细]
  • 深入浅出TensorFlow数据读写机制
    本文详细介绍TensorFlow中的数据读写操作,包括TFRecord文件的创建与读取,以及数据集(dataset)的相关概念和使用方法。 ... [详细]
  • Keras 实战:自编码器入门指南
    本文介绍了使用 Keras 框架实现自编码器的基本方法。自编码器是一种用于无监督学习的神经网络模型,主要功能包括数据降维、特征提取等。通过实际案例,我们将展示如何使用全连接层和卷积层来构建自编码器,并讨论不同维度对重建效果的影响。 ... [详细]
  • 深入理解OAuth认证机制
    本文介绍了OAuth认证协议的核心概念及其工作原理。OAuth是一种开放标准,旨在为第三方应用提供安全的用户资源访问授权,同时确保用户的账户信息(如用户名和密码)不会暴露给第三方。 ... [详细]
  • 本文详细介绍了Java中org.neo4j.helpers.collection.Iterators.single()方法的功能、使用场景及代码示例,帮助开发者更好地理解和应用该方法。 ... [详细]
  • 本文将介绍如何编写一些有趣的VBScript脚本,这些脚本可以在朋友之间进行无害的恶作剧。通过简单的代码示例,帮助您了解VBScript的基本语法和功能。 ... [详细]
  • 技术分享:从动态网站提取站点密钥的解决方案
    本文探讨了如何从动态网站中提取站点密钥,特别是针对验证码(reCAPTCHA)的处理方法。通过结合Selenium和requests库,提供了详细的代码示例和优化建议。 ... [详细]
  • 基于2-channelnetwork的图片相似度判别一、相关理论本篇博文主要讲解2015年CVPR的一篇关于图像相似度计算的文章:《LearningtoCompar ... [详细]
author-avatar
e我爱你很多
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有