加速非极大值抑制：一种图论视角
计算机视觉与模式识别
2024-11-26 v2 机器学习
摘要
非极大值抑制是目标检测中不可或缺的后处理步骤。随着网络模型的不断优化，NMS已成为提升目标检测效率的“最后一公里”。本文首次从图论角度系统分析了NMS，揭示了其内在结构。因此，我们提出了两种优化方法，即QSI-NMS和BOE-NMS。前者是一种快速递归分治算法，mAP损失可忽略不计，其扩展版本实现了最优复杂度O(n log n)。后者专注于NMS的局部性，在无mAP损失惩罚的情况下实现了常数级别的优化。此外，为了便于研究人员快速评估NMS方法，我们引入了NMS-Bench，这是第一个旨在全面评估各种NMS方法的基准。以MS COCO 2017上的YOLOv8-N模型作为基准设置，我们的方法QSI-NMS在基准上提供了原始NMS 6.2倍的速度，mAP下降0.1%。最优的eQSI-NMS在mAP仅下降0.3%的情况下，实现了10.7倍的速度。同时，BOE-NMS在mAP无损失的情况下表现出5.1倍的速度。
引用
@article{arxiv.2409.20520,
title = {Accelerating Non-Maximum Suppression: A Graph Theory Perspective},
author = {King-Siong Si and Lu Sun and Weizhan Zhang and Tieliang Gong and Jiahao Wang and Jiang Liu and Hao Sun},
journal= {arXiv preprint arXiv:2409.20520},
year = {2024}
}