机器学习笔记 - 目标检测中的加权框融合与非极大值抑制的对比

一、对象检测后处理

        后处理步骤是目标检测中一个琐碎但重要的组成部分。本文主要是为了了解当拥有多个对象检测模型的集合时，加权框融合（WBF）相对于传统非极大值抑制（NMS）作为对象检测中后处理步骤的差异。

        对象检测模型通常使用非极大值抑制 (NMS) 作为默认后处理步骤来过滤掉冗余边界框。然而，这种方法无法有效地跨多个模型提供统一的平均预测，因为它们往往会删除具有显着重叠的置信低的框。

        为了缓解这个问题，出现了一种称为加权框融合（WBF）的有效预处理步骤，它有助于在多个检测中实现统一的局部预测。

二、非极大值抑制 (NMS)

        对象检测模型通常对图像中的每个对象实例进行多次预测，并具有一定程度的重叠。这是不希望出现的情况，因此必须删除这些虚假边界框并为每个实例保留最置信的边界框。非极大值抑制帮助我们完成这个任务。

        下图说明了 NMS，其中包含针对不同对象的