Confluence：目标检测中非极大值抑制的一种鲁棒非IoU替代方案
计算机视觉与模式识别
2022-08-04 v3 人工智能
摘要
Confluence是一种新颖的非交并比（IoU）方案，作为目标检测中边界框后处理中非极大值抑制（NMS）的替代。它克服了基于IoU的NMS变体的固有局限，通过使用受归一化曼哈顿距离启发的邻近度度量来表示边界框聚类，从而提供更稳定、一致的边界框聚类预测。与Greedy NMS和Soft NMS不同，它不单独依赖分类置信度分数来选择最优边界框，而是选择给定聚类中与其他所有框最接近的那个框，并移除高度confluent的相邻框。Confluence在MS COCO与CrowdHuman基准上经实验验证，相较于事实标准及最先进的NMS变体，平均精度提升达2.3-3.8%，平均召回率提升达5.3-7.2%。定量结果得到广泛的定性分析支持，且阈值敏感性分析实验支持Confluence比NMS变体更鲁棒的结论。Confluence代表了边界框处理中的范式转移，有潜力替代边界框回归流程中的IoU。
引用
@article{arxiv.2012.00257,
title = {Confluence: A Robust Non-IoU Alternative to Non-Maxima Suppression in Object Detection},
author = {Andrew Shepley and Greg Falzon and Paul Kwan},
journal= {arXiv preprint arXiv:2012.00257},
year = {2022}
}
备注
16 pages