对象检测网络中的NMS算法实现详解

NMS定义

在一个典型的对象检测管道中，网络会在中间层输出不少候选框-BB(bounding box)。在这个阶段输出的BB大多数都会关联同一个检测对象，这个时候须要一个方法来合并这些BB成为一个对象检测框，除了FP以外。Non-maximum-suppression(NMS)经过空间距离结合并交比(IOU)完成聚类划分，对每一个cluster只保留得分最高的BB，这种方法中文也被称着-非最大抑制。

算法实现

NMS有两种最多见的代码实现方法

• 贪心算法Greedy
• 最优解算法Optimal
  两种方法实现的伪代码以下：
  Greedy
  
  Optimal
  

两种算法提供了不一样的解决思路：

NMS超参数

两个重要的参数是score阈值与overlap阈值，任何低于score阈值的BB将会被拒绝，当两个BB的IOU大于给定的overlap阈值时候，两个检测框将会被聚类分割为同一个对象检测框。Overlap阈值须要平衡精度与抑制效果：

• 当overlap阈值越大、proposals boxes被压制的就越少，结果就是致使大量的FP(False Positives)，进一步致使检测精度降低与丢失(缘由在于对象与背景图像之间不平衡比率，致使FP增长数目远高于TP)
• 当overlap阈值很小的时候，致使proposals boxes被压制的很厉害，致使recall大幅降低。

提高：

使用soft-NMS，在soft-NMS中score被乘以负向IOU，图示以下：

下图是基于soft-NMS实现了对部分重叠对象的成功检测：

本文转自

https://medium.com/@yusuken/object-detction-1-nms-ed00d16fdcf9

由gloomyfish翻译，转载请注明出处！