深度学习——目标检测常用算法实战(二)：NMS算法详解

b站（7）https://www.bilibili.com/video/av57436842/?p=7

1 去掉冗余

1 利用得分，给检测框排序
选出最大得分的检测框A1，
将与A1的IOU重叠率高的检测框，进行删除,

2 其余的剩下的检测再次排序，选择最大的A2，
将与A2的IOU重叠率高的检测框，再次进行删除,

3 ...迭代多次

输出结果

# /=== ===> 3:NMS非极大值抑制 <=== ===\
    def bboxes_nms(self, classes, scores, bboxes, nms_threshold=0.5):
        keep_bboxes = np.ones(scores.shape, dtype=np.bool)
        for i in range(scores.size - 1):
            if keep_bboxes[i]:
                overlap = self.bboxes_iou(bboxes[i], bboxes[(i + 1):])  # 每个bboxes[i]都与其他的计算得到iou
                keep_overlap = np.logical_or(overlap < nms_threshold, classes[(i + 1):] != classes[i])  # 逻辑或
                keep_bboxes[(i+1):] = np.logical_and(keep_bboxes[(i+1):], keep_overlap)  # 逻辑与
        idxes = np.where(keep_bboxes)
        return classes[idxes], scores[idxes], bboxes[idxes]
# \=== ===> 3:NMS非极大值抑制 <=== ===/

2 SOFT-NMS

上述方法太硬，又提出SOFT-NMS

NMS方法：
下图IOU大的，参数置为0，也就是删除

SOFT-NMS软处理：

调整其分数，让高分变  
si * （1-iou重叠程度）,之后整体得分变低

结果：

1 能提高高检索下的准确率

2 底检测下性能提升