开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

重叠框

（Overlapping Boxes）是指在网页布局中，多个元素的边界重叠在一起的情况。这种布局方式可以通过CSS的定位属性（如position: absolute或position: relative）来实现。

重叠框的分类：

绝对定位（Absolute Positioning）：使用position: absolute属性将元素从正常文档流中脱离，并相对于其最近的非static定位的祖先元素进行定位。这样可以实现元素的精确定位，使其重叠在其他元素之上。
相对定位（Relative Positioning）：使用position: relative属性将元素相对于其正常位置进行定位。相对定位不会使元素脱离文档流，但可以通过调整元素的位置属性（如top、right、bottom、left）来实现重叠效果。
层叠顺序（Z-index）：通过z-index属性来控制元素的层叠顺序。具有较高z-index值的元素会覆盖具有较低z-index值的元素。

重叠框的优势：

创造独特的视觉效果：通过重叠框可以实现各种独特的视觉效果，如图层叠加、卡片式布局等，增强网页的吸引力和用户体验。
灵活的布局控制：通过调整元素的定位属性和层叠顺序，可以实现对网页布局的精确控制，满足不同设计需求。
提高交互性：重叠框可以用于实现一些交互效果，如弹出框、提示框等，增强网页的交互性和功能性。

重叠框的应用场景：

弹出框和模态框：通过重叠框可以实现弹出框和模态框，用于展示额外的信息、警告、确认等。
图片轮播和幻灯片：通过重叠框可以实现图片轮播和幻灯片效果，让网页更具动感和吸引力。
卡片式布局：通过重叠框可以实现卡片式布局，使不同内容以卡片的形式叠加展示，提高信息的可读性和可视性。

推荐的腾讯云相关产品和产品介绍链接地址：

云服务器（CVM）：提供灵活可扩展的云服务器实例，满足不同规模和需求的应用场景。详情请参考：https://cloud.tencent.com/product/cvm
云数据库MySQL版（CDB）：提供高可用、可扩展的云数据库服务，支持MySQL数据库。详情请参考：https://cloud.tencent.com/product/cdb_mysql
腾讯云CDN：提供全球加速的内容分发网络服务，提高网站的访问速度和稳定性。详情请参考：https://cloud.tencent.com/product/cdn
腾讯云对象存储（COS）：提供安全可靠的云端存储服务，适用于存储和管理各种类型的文件和数据。详情请参考：https://cloud.tencent.com/product/cos
腾讯云人工智能（AI）：提供丰富的人工智能服务和解决方案，包括图像识别、语音识别、自然语言处理等。详情请参考：https://cloud.tencent.com/product/ai

相关搜索:选取框项目重叠 Tensorflow对象检测-避免重叠框使警告框与内容重叠合并具有重叠列的数据框 SVG等轴测框，重叠线条形图重叠框区域gnuplot 创建没有重叠边框的框行 Tinymce对话框的文本框与标签重叠如何才能使每个框不与其右侧的框重叠？标签长时标签重叠文本框- css LibGDX中的屏幕图像重叠对话框文本区域框中的标签文本重叠在Tensorflow对象检测API中避免重叠边界框如何更改重叠框和小工具的方向？如何有效地检查框列表是否相互重叠？在pyspark数据框中将重叠间隔列表拆分为非重叠子间隔，并检查重叠间隔上的值是否有效如何停止按钮和图片框的重叠？(使它们透明)PrimeNG p-autocomplete建议框未正确重叠背景文本 CSS未正确对齐，与另一个框重叠 HTML 5对话框元素与google captcha重叠

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

详解NMS和soft-nms算法

在目标检测中，非极大值抑制（Non-Maximum Suppression，简称NMS）是一种常用的技术，用于在多个候选目标框中选择最佳的目标框。NMS算法能够根据目标框的置信度和重叠度对目标框进行筛选和排序，从而得到高质量的检测结果。然而，在某些情况下，NMS算法可能会遇到一些问题，如低目标框重叠度下的漏检和过多候选框。为了解决NMS算法的一些问题，研究人员提出了soft-nms算法，对NMS进行改进和扩展。soft-nms算法在目标框的置信度上进行了改进，引入了递减置信度的惩罚因子，从而在一定程度上减小了漏检和过多候选框的问题。

01

如何用JS实现网页上通过鼠标移动批量选择元素？

监测外部容器的mousedown、mousemove、mouseup事件来进行选择判断，大致dom结构如下：

06

计算机视觉中的细节问题(九)

对于Bounding Box的列表B及其对应的置信度S，采用下面的计算方式。选择具有最大score的检测框M，将其从B集合中移除并加入到最终的检测结果D中。通常将B中剩余检测框中与M的IoU大于阈值Nt的框从B中移除。重复这个过程,直到B为空。

01

Soft-NMS – Improving Object Detection With One Line of Code

非最大抑制是目标检测流程的重要组成部分。首先，它根据所有检测框的得分对它们进行排序。选择得分最大的检测框M，抑制与M有显著重叠(使用预定义阈值)的所有其他检测框。这个过程递归地应用于其余的框。按照算法的设计,如果一个目标重叠在预定义的阈值,就丢弃它。为此,我们提出Soft-NMS,衰变的算法检测的所有其他目标作为一个连续函数的重叠与m。因此，没有目标在这一过程中消除。Soft-NMS获得一致的改善coco-stylemAP指标，在标准数据集PASCAL VOC 2007 (RFCN 和Faster-RCNN上为) MS-COCO (R-FCN上1.3% 和Faster-RCNN上为 .1%) 没有过改变任何额外的hyper-parameters。NMS算法使用Deformable R-FCN，Sost-NMS在单一模型下将目标检测的最新水平从39.8%提高到40.9%。此外，Soft-NMS和传统的NMS计算复杂度很接近，因此能够有效实现。由于Soft-NMS不需要任何额外的训练，而且易于实现，因此可以轻松地集成到任何目标检流程中。

02

目标检测算法之AAAI 2020 DIoU Loss 已开源(YOLOV3涨近3个点)

前面介绍了CVPR 2019的GIoU Loss,同时GIoU Loss里面也引入了IoU Loss，这个首先需要明确一下。然后AAAI 2020来了一个新的Loss，即是本文要介绍的DIoU Loss。论文原文地址见附录。

02

object detection中的非极大值抑制(NMS)算法

前言什么是NMS算法呢？即非极大值抑制，它在目标检测、目标追踪、三维重建等方面应用十分广泛，特别是在目标检测方面，它是目标检测的最后一道关口，不管是RCNN、还是fast-RCNN、YOLO等算法，都使用了这一项算法。一、概述非极大值抑制（Non-Maximum Suppression，NMS），顾名思义就是抑制不是极大值的元素，可以理解为局部最大搜索。这个局部代表的是一个邻域，邻域有两个参数可变，一是邻域的维数，二是邻域的大小。这里不讨论通用的NMS算法(参考论文《Efficient Non-Maximum Suppression》对1维和2维数据的NMS实现)，而是用于目标检测中提取分数最高的窗口的。例如在行人检测中，滑动窗口经提取特征，经分类器分类识别后，每个窗口都会得到一个分数。但是滑动窗口会导致很多窗口与其他窗口存在包含或者大部分交叉的情况。这时就需要用到NMS来选取那些邻域里分数最高（是行人的概率最大），并且抑制那些分数低的窗口。 NMS在计算机视觉领域有着非常重要的应用，如视频目标跟踪、数据挖掘、3D重建、目标识别以及纹理分析等。本文主要以目标检测中的应用加以说明。

05

yolov5多个框重叠问题

NMS（Non-Maximum Suppression，非极大值抑制）是一种在计算机视觉和目标检测领域常用的技术。它通常用于在图像或视频中找出物体或目标的位置，并剔除重叠的边界框，以确保最终的检测结果准确且不重叠。

01

一文打尽目标检测NMS | 精度提升篇

众所周知，非极大值抑制NMS是目标检测常用的后处理算法，用于剔除冗余检测框，本文将对可以提升精度的各种NMS方法及其变体进行阶段性总结。

03

Yolov8自带IOU方法对接(WIoU，α-IoU，SIoU，EIoU)

YOLOv8是一种广泛应用于目标检测任务的深度学习模型，而IOU（Intersection over Union）是一种常用的评估目标检测算法准确性的指标。近年来，YOLOv8引入了多种改进的IOU方法，包括WIoU（Weighted IOU）、α-IoU（Alpha IOU）、SIoU（Soft IOU）和EIoU（Enhanced IOU）等。这些IOU方法的引入有效提升了YOLOv8模型的性能和准确率。本文将详细介绍YOLOv8自带的各种IOU方法，并讨论它们在目标检测任务中的应用。

01

目标检测研究综述+LocNet

01 localization accuracy 更准确的bounding box，提高IOU 02 目标检测的发展 1、传统的目标检测（滑动窗口的框架） (1).滑动窗口 (2).提取特征（SIF

05

目标检测 - 非极大值抑制(Non Maximum Suppression)

NMS 对检测得到的全部 boxes 进行局部的最大搜索，以搜索某邻域范围内的最大值，从而滤出一部分 boxes，提升最终的检测精度.

03

三维目标跟踪简介

在所有的项目中，其中有一个最突出的，来自一位工程实习生，他撰写了一篇基于相机的3D目标跟踪的论文。

04

卷积神经网络（四） ——目标检测与YOLO算法

卷积神经网络（四） ——目标检测与YOLO算法（原创内容，转载请注明来源，谢谢）一、概述目标检测，主要目的是在图片中，分类确认是否有需要的物体，如果有则标出对应的物体。二、目标定位目标定位（

06

三维目标跟踪简介

在所有的项目中，其中有一个最突出的，来自一位工程实习生，他撰写了一篇基于相机的3D目标跟踪的论文。

03

丧尸目标检测：和你分享 Python 非极大值抑制方法运行得飞快的秘诀

你知道的，昨晚在我在看《行尸走肉》时，不是享受僵尸野蛮和被迫吃人，或引人入胜的故事情节，我只想建立一个目标检测系统来对僵尸进行识别。

01

AAAI 2020 | DIoU和CIoU：IoU在目标检测中的正确打开方式

本文对发表于 AAAI 2020 的论文《Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression》进行解读。

03

目标检测3: Detection基础之IoU

前面目标检测1: 目标检测20年综述之(一)和目标检测2: 目标检测20年综述之(二)让大家对目标检测有个大概的认识，接下来我们通过系列博客总结一下目标检测基础。本文总结目标检测中的重要概念IoU。

02

基于深度学习的目标检测算法面试必备（RCNN~YOLOv5）

目标检测算法主要包括：【两阶段】目标检测算法、【多阶段】目标检测算法、【单阶段】目标检测算法

04

MSER+NMS检测图像中文本区域

OCR相关工作都有一个第一步，那就是检测图像中的文本区域，只有找到了文本区域，才能对其内容进行识别，也只有找到了文本区域，才能更有针对性地判断该文本图像的质量好坏，我们期望达到如下的文本区域检测效果：

01

收藏！攻克目标检测难点秘籍二，非极大值抑制与回归损失优化之路

在前面的秘籍一中，我们主要关注了模型加速之轻量化网络，对目标检测模型的实时性难点进行了攻克。但是要想获得较好的检测性能，检测算法的细节处理也极为重要。

02

旷视提出目前最好的密集场景目标检测算法：一个候选框，多个预测结果

不管是一阶段方法还是二/多阶段方法，现代物体检测系统已在广泛使用基于候选框的框架。一般来说，该范式的流程分为两步：第一步，以人工设计（比如预定义的锚特征）或可学习（比如区域候选框网络/RPN）的方式生成多于完备的目标候选框；第二步，预测对应于每个候选框的各个实例，为其提供一个置信度分数和经过微调的位置。为了移除重复的预测结果，通常还需要非极大值抑制（NMS）等方法来执行后处理。

05

新算法 | 基于DIou改进的YOLOv3目标检测

因此DIoU中对anchor框和目标框之间的归一化距离进行了建模。直观的展示如下图所示：

02

FCOS: Fully Convolutional One-Stage Object Detection

我们提出一种全卷积的单阶段目标检测器(FCOS)，以逐像素预测的方式解决目标检测问题，类似于语义分割。几乎所有最先进的目标探测器，如RetinaNet、SSD、YOLOv3和Faster R-CNN，都依赖于预定义的锚盒。相比之下，我们提出的探测器FCOS是Anchor Free，以及proposal自由。通过消除预定义的锚盒集合，FCOS完全避免了与锚盒相关的复杂计算，例如在训练过程中计算IoU。更重要的是，我们还避免了所有与锚盒相关的超参数，这些超参数通常对最终检测性能非常敏感。通过唯一的后处理非最大抑制(NMS)，使用ResNeXt-64x4d-101的FCOS在单模型和单尺度测试下，AP达到44.7%，超越了以往单阶段检测器。我们首次演示了一个更简单、更灵活的检测框架，从而提高了检测精度。我们希望所提出的FCOS框架可以作为许多其他实例级任务的简单而强大的替代方案。

02

超越GIoU/DIoU/CIoU/EIoU | MPDIoU让YOLOv7/YOLACT双双涨点，速度不减！

。实验结果表明，将MPDIoU损失函数应用于最先进的实例分割（如YOLACT）和目标检测（如YOLOv7）模型，在PASCAL VOC、MS COCO和IIIT5k数据集上优于现有的损失函数。

05

tcR包：T细胞受体和免疫球蛋白数据进行高级分析和可视化（二）

免疫球蛋白(IG)和T细胞受体(TR)在适应性免疫应答过程中起着关键的抗原识别作用。上一次我们介绍到tcR包：T细胞受体和免疫球蛋白数据进行高级分析和可视化（一）。今天小编继续为大家介绍分析T细胞受体库的R包：tcR包，可以对TR序列进行多样性评估、共享T细胞受体序列识别、基因usage统计计算等。

03

Face++的AutoAssign（附源码）

首先，从idea上讲，AutoAssign将label assignment完全做成端到端地（或者实际上是dynamic soft的），并且仅使用了最小先验（仅正样本的candidate location在gt框内部），的确算的上是一篇重量级并很general的作品。

01

基于DIou改进的YOLOv3目标检测

因此DIoU中对anchor框和目标框之间的归一化距离进行了建模。直观的展示如下图所示：

01

利用NVIDIA Jetson 打造AI农业机器人

今天，让我们来认识一下Agrobot，这是一款自动收割机器人，它将彻底改变农业产业。Agrobot与全球的农民合作，通过人工智能的力量实现浆果采摘的自动化。

02

目标检测算法之NMS后处理相关

昨天盘点了一下目标检测算法的常见数据集还有评判标准，但目标检测过程还有一个后处理算法的重要性确常被忽略，今天我们就来盘点一下目标检测算法中的NMS相关知识吧。

03

RVN 一种新的聚类算法

当我们需要对数据集进行聚类时，我们可能首先研究的算法是 K means, DBscan, hierarchical clustering 。那些经典的聚类算法总是将每个数据点视为一个点。但是，这些数据点在现实生活中通常具有大小或边界（边界框）。忽略点的边缘可能会导致进一步的偏差。RVN算法是一种考虑点和每个点的边界框的方法。

03

脱离文档流分析（转）

block元素通常被现实为独立的一块，独占一行，多个block元素会各自新起一行，默认block元素宽度自动填满其父元素宽度。block元素可以设置width、height、margin、padding属性；

02

浅析CSS里的 BFC 和 IFC

前言 ---- 之前一直听到有人提到 CSS里的BFC，正巧在 IFE的练习里遇到了外边距折叠的问题，所以正好弄清楚BFC的机制。一、什么是 BFC ---- 和之前所有博文一样，还是先从What的角度开始介绍，由浅入深的理解BFC。所谓的 Formatting context(格式化上下文), 它是 W3C CSS2.1 规范中的一个概念。它是页面中的一块渲染区域，并且有一套渲染规则. 它决定了其子元素将如何定位，以及和其他元素的关系和相互作用。而 Block Formatting Cont

区域候选网络RPN

图片在输入网络后，依次经过一系列卷积+ReLU得到的51×39×256维feature map，准备后续用来选取proposal。

04

[深度学习概念]·人脸识别MTCNN解析

人脸识别MTCNN解析源代码，效果相当不错（只有测试代码）： https://kpzhang93.github.io/MTCNN_face_detection_alignment/index.ht

02

【深度学习】目标检测中 IOU 的概念及计算

在目标检测当中，有一个重要的概念就是 IOU。一般指代模型预测的 bbox 和 Groud Truth 之间的交并比。

02

YOLOv3 提升 5.91 mAP，IoU在目标检测中的正确打开方式

论文:Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression

01

跟踪算法性能测试之二：常用评价标准实现

这一篇均是在上一篇的基础上实现的，在上一篇写了如何批量测试VOT数据集及保存跟踪结果。并进行了简单的CLE绘制，这一篇总结一下常用的跟踪评价标准及其实现。

03

卷积神经网络-目标检测

其中，bx、by表示汽车中点，bh、bw分别表示定位框的高和宽。以图片左上角为(0,0)，以右下角为(1,1)，这些数字均为位置或长度所在图片的比例大小。

01

[译] End-to-end people detection in crowded scenes

检测效果图题目：拥挤场景中的端到端人物检测 (推荐阅读英文原文) 文章地址：《End-to-end people detection in crowded scenes》 arXiv.1506.04878 Github：https://github.com/Russell91/ReInspect (未经允许禁止转载，授权转载请注明出处，谢谢！) ---- Abstract 目前的人物检测操作要么是以滑动窗口的方式扫描图像，或者通过分类一组离散的决策。我们提出了基于将图像解码成一组人物检测的模型。我

06

PPT的两个实用技巧

1、选择多个重叠文本框中的一个在用ppt做动画时，经常会遇到多个文本框重叠，而每次选中都要将叠在上面的移开，再来编辑上面的。其实可以直接选中。单击功能区-开始-选择-选择窗格，即可。

02

tf.image.non_max_suppression

贪婪地选择按得分降序排列的边界框子集。删除与先前选择的框具有高交叉-过度联合(IOU)重叠的框。边界框以[y1, x1, y2, x2]的形式提供，其中(y1, x1)和(y2, x2)为任意对角对角框角的坐标，坐标可以标准化(即，位于区间[0,1]或绝对区间。注意，这个算法不知道原点在坐标系中的什么位置。注意，这个算法对于坐标系的正交变换和平移是不变的;因此，坐标系统的平移或反射会导致算法选择相同的框。这个操作的输出是一组整数，索引到表示所选框的边界框的输入集合中。然后使用tf可以获得与所选索引对应的边界框坐标。收集操作。例如:selected_indices = tf.image。non_max_suppression(box, scores, max_output_size, iou_threshold)选择ted_boxes = tf。收集(盒、selected_indices)

02

【目标检测】 R-CNN/FPN/YOLO经典算法梳理

R-CNN是目标检测领域的开山之作，它首次将“深度学习”和传统的“计算机视觉”的知识相结合，如图所示，相比于传统的目标检测方法，R-CNN碾压了之前五年发展的成果。论文地址：https://openaccess.thecvf.com/content_cvpr_2014/papers/Girshick_Rich_Feature_Hierarchies_2014_CVPR_paper.pdf

01

【计算机视觉——RCNN目标检测系列】三、IoU与非极大抑制

在上一篇文章：【计算机视觉——RCNN目标检测系列】二、边界框回归（Bounding-Box Regression）中我们主要讲解了R-CNN中边界框回归，接下来我们在这篇文章我们讲解R-CNN中另外一个比较种重要的模块——IoU与非极大抑制。

01

YOLOv8损失函数改进：MPDIoU新型边界框相似度度量，效果秒杀GIoU 、 DIoU 、CIoU 、 EIoU等 | ELSEVIER 2023

摘要：边界框回归（BBR）已广泛应用于对象检测和实例分割，是对象定位的重要步骤。然而，当预测框与真实框具有相同的长宽比，但宽度和高度值完全不同时，大多数现有的边界框回归损失函数无法优化。为了解决上述问题，我们充分挖掘水平矩形的几何特征，提出了一种基于最小点距离的新型边界框相似度比较度量MPDIoU，它包含了现有损失函数中考虑的所有相关因素，即重叠或非重叠区域、中心点距离、宽高偏差，同时简化计算过程。在此基础上，我们提出了一种基于 MPDIoU 的边界框回归损失函数，称为 LMPDIoU 。实验结果表明，MPDIoU 损失函数适用于在 PASCAL VOC、MS COCO 和 IIIT5k 上训练的最先进的实例分割（例如 YOLACT）和对象检测（例如 YOLOv7）模型优于现有的损失函数。

03

深度学习目标检测(object detection)系列（三） Fast R-CNN

版权声明：本文为博主原创文章，转载请注明出处。 https://blog.csdn.net/chaipp0607/article/details/78458883

03

如何将多目标检测用于建筑平面图？ | MixLab智能建筑

在建筑平面图的分析中，一些复杂的平面图总是会让人感到头晕脑胀，不同的标注方式以及不同的图形符号更难以让普通人去解读。

03

MaskFormer：将语义分割和实例分割作为同一任务进行训练

目标检测和实例分割是计算机视觉的基本任务，在从自动驾驶到医学成像的无数应用中发挥着关键作用。目标检测的传统方法中通常利用边界框技术进行对象定位，然后利用逐像素分类为这些本地化实例分配类。但是当处理同一类的重叠对象时，或者在每个图像的对象数量不同的情况下，这些方法通常会出现问题。

05

用不到 30 行 Python 代码实现 YOLO

"You Only Look Once"是一个实时对象检测算法，它避免了在生成区域建议上花费太多的时间。它不能完美地定位物体，而是优先考虑速度和识别。

02

改进YOLOX | Push-IOU+Dynamic Anchor进一步提升YOLOX性能

近年来，自动驾驶汽车不断走进我们的视野中，面向自动驾驶的目标检测算法也成为了国内外的研究热点之一。安全可靠的自动驾驶汽车依赖于对周围环境的准确感知，以便及时做出正确的决策。目标检测是自动驾驶系统的关键任务之一，其主要的功能是检测前方道路上出现的目标的空间位置和目标类别。

05

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭