目录

一、什么是NMS

二、NMS及其优化版本

1、soft NMS

2、GIoU NMS

3、DIoU NMS

4、CIoU NMS

正文

一、什么是NMS

1、定义：

       非极大值抑制算法NMS广泛应用于目标检测算法，其目的是为了消除多余的候选框，找到最佳的物体检测位置。

2、原理：

       使用深度学习模型检测出的目标都有多个框，如下图，针对每一个被检测目标，为了得到效果最好的那一个，需要使用一定的过滤技术把多余的框过滤掉。NMS应运而生。

目标检测后处理之NMS（非极大值抑制算法）

 

现，假设有一个候选BOXES的集合B和其对应的SCORES集合S：

1、找出分数最高的那个框M；

2、将M对应的BOX从B中删除；

3、将删除的BOX添加到集合D中；

4、从B中删除与M对应的BOX重叠区域大于阈值Nt的其他框；

5、重复上述步骤1到4。

伪代码如下：

目标检测后处理之NMS（非极大值抑制算法）

 其中Si可表述成：

目标检测后处理之NMS（非极大值抑制算法）

 源代码如下：

1、在FastRCNN中的python实现：

目标检测后处理之NMS（非极大值抑制算法）

def nms(dets,thresh):
    x1 = dets[:, 0]
    y1 = dets[:, 1]
    x2 = dets[:, 2]
    y2 = dets[:, 3]

    scores = dets[:, 4]
    areas = (x2 - x1 + 1) * (y2 - y1 + 1)
    order = scores.argsort()[::-1]

    keep = []
    while order.size>0:
        i=order[0]
        keep.append(i)
        xx1=np.maximum(x1[i],x1[order[1:]])
        yy1=np.maximum(y1[i],y1[order[1:]])
        xx2=np.minimum(x2[i],x2[order[1:]])
        yy2=np.minimum(y2[i],y2[order[1:]])
        
        w=np.maximum(0.,xx2-xx1+1)
        h=np.maximum(0.,yy2-yy1+1)
        inter=w*h
        iou=inter/(areas[i]+areas[order[1:]]-inter)
        
        inds=np.where(iou<=thresh)[0]
        order=order[inds+1]

    return keep

View Code