非极大抑制（Non-Maximum Suppression）

最新推荐文章于 2024-09-17 10:02:41 发布

Danieljf24

最新推荐文章于 2024-09-17 10:02:41 发布

阅读量2.2w

点赞数 4

分类专栏： Deep Learning 文章标签：非极大抑制 Non-Maximum Suppress RCNN SPP

本文链接：https://blog.csdn.net/danieljianfeng/article/details/43084875

版权

本文介绍了非极大抑制(Non-Maximum Suppression, NMS)的概念，它在RCNN和微软的SPP-net中的作用。当从图像中获取多个region proposals并经过特征提取和分类后，NMS用于选择高置信度的bounding box。通过对score矩阵排序，选取最高score的box作为起点，计算与其他box的IoU，剔除超过预设阈值的box，直至所有类别完成处理。NMS在目标检测中扮演关键角色，确保了检测结果的准确性。" 106916944,9638124,高可用集群详解：HA基础、原理与软件,"['服务器', '运维', '数据库', '高可用性']

摘要由CSDN通过智能技术生成

最近在看RCNN和微软的SPP-net，其中涉及到Non-Maximum Suppression，论文中没具体展开，我就研究下了代码，这里做一个简单的总结，听这个名字感觉是一个很高深的算法，其实很简单，就是把找出score比较region，其中需要考虑不同region的一个重叠问题。

假设从一个图像中得到了2000region proposals，通过在RCNN和SPP-net之后我们会得到2000*4096的一个特征矩阵，然后通过N的SVM来判断每一个region属于N的类的scores。其中，SVM的权重矩阵大小为4096*N，最后得到2000*N的一个score矩阵（其中，N为类别的数量）。

Non-Maximum Suppression就是需要根据score矩阵和region的坐标信息，从中找到置信度比较高的bounding box。首先，NMS计算出每一个bounding box的面积，然后根据score进行排序，把score最大的bounding box作为队列中。接下来，计算其余bounding box与当前最大score与box的IoU，去除IoU大于设定的阈值的bounding box。然后重复上面的过程，直至候选bounding box为空。最终，检测了bounding box的过程中有两个阈值，一个就是IoU，另一个是在过程之后，从候选的bounding box中剔除score小于阈值的bounding box。需要注意的是：Non-Maximum Suppression一次处理一个类别，如果有N个类别，Non-Maximum Suppression就需要执行N次。

源代码：