深度神经网络基础-NMS非极大值抑制

1、NMS介绍

在执行目标检测任务时，算法可能对同一目标有多次重复检测。能让你确保算法只对每个对象得到一个检测框的方法。

2、NMS 算法的大致过程：

在正式使用NMS之前，通常会有一个候选框预清理的工作（简单引入一个置信度阈值），如下图所示：每轮选取置信度最大的 Bounding Box（简称 BBox） 接着关注所有剩下的 BBox 中与选取的 BBox 有着高重叠（IoU）的，它们将在这一轮被抑制。这一轮选取的 BBox 会被保留输出，且不会在下一轮出现。接着开始下一轮，重复上述过程：选取置信度最大 BBox ，抑制高 IoU BBox。（关于Bounding Box Regression的详细介绍，我强力推荐我的另一篇博文）

IoU可以理解预测框和真实框的交并比

NMS步骤：
第一步：对 BBox 按置信度排序，选取置信度最高的 BBox（所以一开始置信度最高的 BBox 一定会被留下来）；
第二步：对剩下的 BBox 和已经选取的 BBox 计算 IOU，淘汰（抑制） IOU 大于设定阈值的 BBox（在图例中这些淘汰的 BBox 的置信度被设定为0）。
第三步：重复上述两个步骤，直到所有的 BBox 都被处理完，这时候每一轮选取的 BBox 就是最后结果。

框中的数字什么意思？ —置信度
图片中置信度最高的为红色的0.9，优先选择出来，设置IOU阈值为0.5，所以大于阈值的被过滤掉，粉色被pass得分设成了0（得分是置信度吗），所以最终的框为黄色和红色。

在上面这个例子中，NMS 只运行了两轮就选取出最终结果：第一轮选择了红色 BBox，淘汰了粉色 BBox；第二轮选择了黄色 BBox，淘汰了紫色 BBox 和青色 BBox。注意到这里设定的 IoU 阈值是0.5，假设将阈值提高为0.7，结果又是如何？可以看到，NMS 用了更多轮次来确定最终结果，并且最终结果保留了更多的 BBox，但结果并不是我们想要的。因此，在使用 NMS 时，IoU 阈值的确定是比较重要的，但一开始我们可以选定 default 值（论文使用的值）进行尝试。