第15卷第5期 智能系统学报 Vol.15 No.5 2020年9月 CAAI Transactions on Intelligent Systems Sep.2020 D0:10.11992/tis.202006056 网络出版地址：https:/ns.cnki.net/kcms/detail/23.1538.TP.20200820.0956.002.html 基于F1值的非极大值抑制阈值自动选取方法 王照国，张红云2，苗夺谦 (1.同济大学电子与信息工程学院，上海201804：2.同济大学嵌入式系统与服务计算教有部重点实验室，上海 201804) 摘要：传统的NMS算法的过滤阈值是人为设定的，由于阈值的选取不当可能会造成漏检和误检。在应用 NMS算法时，所有图像的最佳阈值不是完全相同的，根据图像自身信息的不同而发生变化。针对上述问题，提 出基于F1值的非极大值抑制阈值自动选取方法，综合考虑检测算法的准确率与召回率，选取使F1值最高的最 佳过滤阈值，构建映射关系。测试阶段，利用映射关系和图像信息自动选取对应的过滤阈值。实验结果表明， 本文提出的改进版本NMS算法将检测精度mAP值提高了1.1%。与现有的先进算法做对比，证明了本文算法 的有效性。 关键词：计算机视觉；目标检测：非极大值抑制算法；卷积神经网络：深度学习：检测框：F1值：自适应算法 中图分类号：TP391 文献标志码：A文章编号：1673-4785(2020)05-1006-07 中文引用格式：王照国，张红云，苗夺谦.基于F1值的非极大值抑制阈值自动选取方法J.智能系统学报，2020,15(5)： 1006-1012. 英文引用格式：VANG Zhaoguo,ZHANG Hongyun,.MIAO Duoqian.Automatic selection method of non-maximum suppression threshold based on F1 score[Jl.CAAI transactions on intelligent systems,2020,15(5):1006-1012. Automatic selection method of non-maximum suppression threshold based on F1 score WANG Zhaoguo',ZHANG Hongyun',MIAO Duoqian (1.College of Computer Science and Technology,Tongji University,Shanghai 201804,China;2.Key Laboratory of Embedded Sys- tem and Service Computing of Ministry of Education,Tongji University,Shanghai 201804,China) Abstract:The filtering threshold of the traditional non-maximum suppression (NMS)algorithm is artificially set. However,the improper selection of the threshold may result in leak and error detection.When applying the NMS al- gorithm,the optimal threshold for all images differs because the information obtained from the image itself changes. Given the aforementioned problems,we propose an automatic selection method of the NMS threshold based on the FI score,which comprehensively considers the accuracy and recall rates of the detection algorithm and selects the best fil- tering threshold based on the highest FI score to establish a relationship map.Experimental results show that the im- proved version of the NMS algorithm proposed in this study enhances the detection accuracy mAP value by 1.1%.Com- pared with the existing advanced algorithms,the proposed algorithm has been proven to be more effective. Keywords:computer vision;object detection;non-maximum suppression algorithm;convolutional neural network;deep learning;detection boxes;FI value;self-adaptive algorithm 目标检测是数字图像处理里面一个重要的方 深度学习技术的火热发展，目标检测也从基于手 向，近年来在各个领域得到了广泛应用。随着 工提取特征的方法转换为基于深度学习的检测技 收稿日期：2020-06-30.网络出版日期：2020-08-20. 术。基于深度学习的目标检测算法，依据是否产 基金项目：国家自然科学基金项目(61573255,61976158， 生候选区域可以分为两类，一类是单阶段目标检 61673301):国家重点研发计划项目(213). 通信作者：张红云.E-mail:zhanghongyun@tongji.edu.cn. 测算法，这一类的代表性算法有YOLO9、SSDDOI: 10.11992/tis.202006056 网络出版地址: https://kns.cnki.net/kcms/detail/23.1538.TP.20200820.0956.002.html 基于 F1 值的非极大值抑制阈值自动选取方法 王照国1 ，张红云2 ，苗夺谦2 （1. 同济大学 电子与信息工程学院，上海 201804; 2. 同济大学 嵌入式系统与服务计算教育部重点实验室，上海 201804） 摘 要：传统的 NMS 算法的过滤阈值是人为设定的，由于阈值的选取不当可能会造成漏检和误检。在应用 NMS 算法时，所有图像的最佳阈值不是完全相同的，根据图像自身信息的不同而发生变化。针对上述问题，提 出基于 F1 值的非极大值抑制阈值自动选取方法，综合考虑检测算法的准确率与召回率，选取使 F1 值最高的最 佳过滤阈值，构建映射关系。测试阶段，利用映射关系和图像信息自动选取对应的过滤阈值。实验结果表明， 本文提出的改进版本 NMS 算法将检测精度 mAP 值提高了 1.1%。与现有的先进算法做对比，证明了本文算法 的有效性。 关键词：计算机视觉；目标检测；非极大值抑制算法；卷积神经网络；深度学习；检测框；F1 值；自适应算法 中图分类号：TP391 文献标志码：A 文章编号：1673−4785(2020)05−1006−07 中文引用格式：王照国, 张红云, 苗夺谦. 基于 F1 值的非极大值抑制阈值自动选取方法 [J]. 智能系统学报, 2020, 15(5): 1006–1012. 英文引用格式：WANG Zhaoguo, ZHANG Hongyun, MIAO Duoqian. Automatic selection method of non-maximum suppression threshold based on F1 score[J]. CAAI transactions on intelligent systems, 2020, 15(5): 1006–1012. Automatic selection method of non-maximum suppression threshold based on F1 score WANG Zhaoguo1 ，ZHANG Hongyun2 ，MIAO Duoqian2 (1. College of Computer Science and Technology, Tongji University, Shanghai 201804, China; 2. Key Laboratory of Embedded Sys￾tem and Service Computing of Ministry of Education, Tongji University, Shanghai 201804, China) Abstract: The filtering threshold of the traditional non-maximum suppression (NMS) algorithm is artificially set. However, the improper selection of the threshold may result in leak and error detection. When applying the NMS al￾gorithm, the optimal threshold for all images differs because the information obtained from the image itself changes. Given the aforementioned problems, we propose an automatic selection method of the NMS threshold based on the F1 score, which comprehensively considers the accuracy and recall rates of the detection algorithm and selects the best fil￾tering threshold based on the highest F1 score to establish a relationship map. Experimental results show that the im￾proved version of the NMS algorithm proposed in this study enhances the detection accuracy mAP value by 1.1%. Com￾pared with the existing advanced algorithms, the proposed algorithm has been proven to be more effective. Keywords: computer vision; object detection; non-maximum suppression algorithm; convolutional neural network; deep learning; detection boxes; F1 value; self-adaptive algorithm 目标检测是数字图像处理里面一个重要的方 向，近年来在各个领域得到了广泛应用[1-4]。随着 深度学习技术的火热发展，目标检测也从基于手 工提取特征的方法转换为基于深度学习的检测技 术。基于深度学习的目标检测算法，依据是否产 生候选区域可以分为两类，一类是单阶段目标检 测算法，这一类的代表性算法有 YOLO[5] 、SSD[6] 、 收稿日期：2020−06−30. 网络出版日期：2020−08−20. 基金项目：国家自然科学基金项 目 (61573255， 61976158， 61673301)；国家重点研发计划项目 (213). 通信作者：张红云. E-mail：zhanghongyun@tongji.edu.cn. 第 15 卷第 5 期 智 能 系 统 学 报 Vol.15 No.5 2020 年 9 月 CAAI Transactions on Intelligent Systems Sep. 2020