非极大值抑制（NMS）

最新推荐文章于 2024-08-30 19:49:24 发布

何处不逢君

最新推荐文章于 2024-08-30 19:49:24 发布

阅读量167

点赞数

文章标签：目标跟踪人工智能计算机视觉

本文链接：https://blog.csdn.net/danger2/article/details/132977504

版权

非极大值抑制（Non-Maximum Suppression，简称NMS）是计算机视觉和目标检测领域常用的技术之一。它的主要目的是从一组重叠的候选框（或者说边界框）中选择出最具代表性的目标框，以减少重复检测和提高检测结果的准确性。

具体来说，NMS 的工作原理如下：

输入候选框和它们的置信度分数：通常，在目标检测任务中，算法会生成一组候选框，每个候选框都伴随着一个置信度分数，该分数表示该候选框内是否包含目标的概率。
按照置信度分数排序：首先，根据候选框的置信度分数对所有候选框进行降序排序，即将得分最高的候选框排在前面。
选择最高得分的候选框：从排序后的候选框列表中选择得分最高的候选框，并将其添加到最终的目标框列表中。这个候选框通常被认为是最具代表性的目标框之一。
去除重叠框：接下来，算法会遍历剩余的候选框，并计算它们与已选择的目标框之间的重叠度。如果某个候选框与已选择的目标框的重叠度（通常使用IoU，即交并比，来衡量）超过了一定的阈值（即 nms_conf_thr），那么该候选框就会被移除，因为它与已选择的目标框重叠较多，可能代表了相同的目标。
重复步骤3和步骤4：这个过程会重复进行，直到所有候选框都被处理完毕。最终，剩下的候选框中将仅保留那些与已选择的目标框重叠不明显的框，从而确保最终的目标框是一组互不重叠且具有高置信度分数的框。

总之，NMS 有助于消除重叠的检测结果，保留最具代表性和置信度高的目标框，从而提高目标检测算法的准确性和稳定性。nms_conf_thr 参数用于控制在进行非极大值抑制时所使用的置信度阈值，即重叠框被移除的阈值。

例如设置NMS阈值
nms_conf_thr=0.5,# 非极大值抑制（NMS）的置信度阈值
nms_backdrop_iou_thr=0.3,# NMS背景框的IoU阈值
nms_class_iou_thr=0.7,# NMS类别之间的IoU阈值

关注