NMS-非极大值抑制法系列

1. NMS的基本原理

Anchor-based网络的输出：pred_box[N, 7]，pred_score[N, 1]，其中

N

=

H

∗

W

∗

1

N = H * W * 1

N=H∗W∗1（

H

∗

W

H*W

H∗W网络输出特征图的长和宽，1为每个位置的pred_box），这里以单个类别举例

• 首先根据设定的分类阈值进行pred的过滤（通常为0.1）
• 假定过滤之后得到7个预测框，将这7个框按照score从大到小排序得到A、B、C、D、E、F、G
• 从分类概率最大的预测框A开始，分别判断B~G与A的IOU是否大于某个设定的阈值，如果大于阈值，则将其看做是回归A预测框对应的物体；反之，将其看做是回归的其他物体
• 假定B、C、D高于阈值，E、F、G低于阈值，则将B、C、D扔掉，保留E、F、G。（A、B、C、D四个预测框回归的是同一个物体$object1$

  object1，选择出score最大的预测框A）

• 接下来，继续对E、F、G做NMS。从当前分类概率最大的预测框E开始，分别判断F~G与E的IOU是否大于某个设定的阈值，如果大于阈值，则将其看做是回归E预测框对应的物体；反之，将其看做是回归的其他物体
• 假定F高于阈值，G低于阈值，则将F扔掉，保留G。（E、F四个预测框回归的是同一个物体$object2$

  object2，选择出score最大的预测框E）

• 目前只剩最后一个预测框G，对应另一个物体$object3$

2. NMS的python代码实现

def py_cpu_nms(dets, thresh):
    """Pure Python NMS baseline."""
    #x1、y1、x2、y2、以及score赋值
    x1 = dets[:, 0]
    y1 = dets[:, 1]
    x2 = dets[:, 2]
    y2 = dets[:, 3]
    scores = dets[:, 4]

    #每一个检测框的面积
    areas = (x2 - x1 + 1) * (y2 - y1 + 1)
    #按照score置信度降序排序
    order = scores.argsort()[::-1]

    keep = [] #保留的结果框集合
    while order.size > 0:
        i = order[0]
        keep.append(i) #保留该类剩余box中得分最高的一个
        #得到相交区域,左上及右下
        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:]])

        #计算相交的面积,不重叠时面积为0
        w = np.maximum(0.0, xx2 - xx1 + 1)
        h = np.maximum(0.0, yy2 - yy1 + 1)
        inter = w * h
        #计算IoU：重叠面积 /（面积1+面积2-重叠面积）
        ovr = inter / (areas[i] + areas[order[1:]] - inter)
        #保留IoU小于阈值的box
        inds = np.where(ovr <= thresh)[0]
        order = order[inds + 1] #因为ovr数组的长度比order数组少一个,所以这里要将所有下标后移一位
       
    return keep

3. 多类别NMS

在但类别NMS的基础之后，增加一层

f

o

r

for

for循环对每个类别进行NMS即可

4. NMS Loss

参考文章：Rotated Region Based CNN for Ship Detection

5. Soft-NMS

参考文章：Improving Object Detection With One Line of Code

参考博客1

版权声明：本文为CSDN博主「Amoni_」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/weixin_46297585/article/details/121900946