NMS(非极大值抑制)

　

NMS

NMS: non maximum suppression

翻译为“非极大值抑制”，为什么不翻译成最大值抑制呢？maximum可以翻译为“最大值”，也可以翻译成“极大值”，所以翻译成极大值或者最大值一定要看这个值的含义。极大值和最大值的区别就是，极大值时局部最大值。

NMS的作用：去掉detection任务重复的检测框。

用普通话翻译一下非极大值抑制：不是局部的最大值的那些值都滚蛋

用图片来理解一下：

图片引自：https://blog.csdn.net/shuzfan/article/details/52711706#commentsedit

基于前面的网络(如RPN)能为每个框给出一个score，score越大证明框越接近期待值。如上图，两个目标分别有多个选择框，现在要去掉多余的选择框。分别在局部选出最大框，然后去掉和这个框IOU＞0.7的框。

非极大值抑制嘛，就是只留下极大值的意思。只留下极大值之后，就是下面的样子了：

嗯，这个算法就是这么简单。

下面时Fast R-CNN关于NMS的源代码(Python版)，faster R-CNN也是用的这段代码。

# --------------------------------------------------------
# Fast R-CNN
# Copyright (c) 2015 Microsoft
# Licensed under The MIT License [see LICENSE for details]
# Written by Ross Girshick
# --------------------------------------------------------

import numpy as np

def py_cpu_nms(dets, thresh):
    """Pure Python NMS baseline."""
    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(0.0, xx2 - xx1 + 1)
        h = np.maximum(0.0, yy2 - yy1 + 1)
        inter = w * h
        ovr = inter / (areas[i] + areas[order[1:]] - inter)

        inds = np.where(ovr <= thresh)[0]
        order = order[inds + 1]

    return keep

相关阅读

nms

1.nms（nms只用于预测，不用于训练）步骤：首先把所有的框按得分由大到小进行排列；然后计算得分最高的框和其余框的交并比，大于阈值的删掉；删

【目标检测】NMS(Non-maximum suppression，非极大值抑

NMS广泛应用于目标检测算法中。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。 现在假设有有一个候选的boxes的集合B和

NMS(非极大值抑制)实现

先看张图： NMS算法思路来源于：https://chenzomi12.github.io/2016/12/14/YOLO-nms/ 算法流程： 把置信度最高的一个boundingbox(bbo

浅析瞬态抑制二极管双向tvs管

瞬态抑制二极管即TVS管，tvs管是吸收浪涌功率用的，能在极短时间内承受反向电压冲击，使两极间的电压钳位于一个特定电压上，避免后面的电

nms

NMS 非极大值抑制 import tensorflow as tf import numpy as np rects=np.asarray([[1,2,3,4],[1,3,3,4], [1,3,4,4],[1,1,4,4],