NMS

NMS 顧名思義，非極大值抑制，也就是把極值周圍的給抑制掉，不輸出。在深度學習中叫去重，只保留最可靠的那個輸出。

首先定義一個相似度，深度學習中用IOU表示兩個框的相似度。

步驟：
1、取分值最大的框。
2、將IOU大于閾值（0.5）的框抑制掉。
3、取剩下框分值最大的框，循環步驟1、2。

很簡單，是不是！

代碼：

def NMS(boxes, scores, th):x1 = boxes[:,0]y1 = boxes[:,1]x2 = boxes[:,2]y2 = boxes[:,3]box_erea = (y2 - y1) * (x2 - x1)orders = scores.argsort()[::-1] ## 取逆序print(orders)keep = []print(orders.size)while orders.size > 0:item = orders[0]keep.append(item)cur_box = boxes[item]ix1 = np.maximum(cur_box[0], x1[orders[1:]]) iy1 = np.maximum(cur_box[1], y1[orders[1:]]) ix2 = np.minimum(cur_box[2], x2[orders[1:]]) iy2 = np.minimum(cur_box[3], y2[orders[1:]])iners = np.maximum(ix2 - ix1 + 1, 0.) * np.maximum(iy2 - iy1 + 1, 0.)unions = (box_erea[orders[1:]] + box_erea[item]) - inersious = iners / unionstemp = np.where(ious < th)[0]orders = orders[temp + 1]return keep

代碼解析：
1、先計算所有框的面積
2、分值降序排序，得到一個位置序列
3、循環：如果序列（N個值）不空：
取最大分值框，id對應第0個位置。
取所有剩余的框，id對應第0個位置之后。
剩余框（N-1個值）和最大分值框求IOU（N-1 個 IOU）
保留（N-1個）剩余框中對應IOU小于閾值的框的序列編號。作為新的序列。

注意事項：
temp = np.where(ious < th)[0]
orders = orders[temp + 1]
因為 temp 對應的是（N-1個）剩余框的位置，要取原序列（N個值）對應的位置，所以temp 對應的位置要加1。

np.max() 求最大值
np.minimum（array, a）array 和 a 逐個比較取最大。

Soft-NMS

顧名思義，柔和的NMS。也就是不會立馬斬殺，而是降低分值待考察。為的就是防止漏檢。

怎么降低score呢？有很多種方式，

1、IOU線性抑制

2、IOU 高斯抑制

抑制死亡閾值： th = 0.001 , 未達到死亡閾值，仍可保留。

Softer-NMS

主要用在：
NMS時用到的score僅僅是分類置信度得分，不能反映Bounding box的定位精準度，既分類置信度和定位置信非正相關的。

基于soft-NMS，對預測標注方差范圍內的候選框加權平均，使得高定位置信度的bounding box具有較高的分類置信度。

其實很簡單，預測的四個頂點坐標，分別對IoU＞Nt的預測加權平均計算，得到新的4個坐標點。

總結

以上是生活随笔為你收集整理的NMS、Soft-NMS、Softer-NMS的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。