NMS、Soft-NMS、Softer-NMS

NMS

NMS 顾名思义，非极大值抑制，也就是把极值周围的给抑制掉，不输出。在深度学习中叫去重，只保留最可靠的那个输出。

首先定义一个相似度，深度学习中用IOU表示两个框的相似度。

步骤：
1、取分值最大的框。
2、将IOU大于阈值（0.5）的框抑制掉。
3、取剩下框分值最大的框，循环步骤1、2。

很简单，是不是！

代码：

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]) - iners
        ious = iners / unions
        temp = np.where(ious < th)[0]
        orders  = orders[temp + 1]
    return keep

代码解析：
1、先计算所有框的面积
2、分值降序排序，得到一个位置序列
3、循环：如果序列（N个值）不空：
取最大分值框，id对应第0个位置。
取所有剩余的框，id对应第0个位置之后。
剩余框（N-1个值）和最大分值框求IOU（N-1 个 IOU）
保留（N-1个）剩余框中对应IOU小于阈值的框的序列编号。作为新的序列。

注意事项：
temp = np.where(ious < th)[0]
orders = orders[temp + 1]
因为 temp 对应的是（N-1个）剩余框的位置，要取原序列（N个值）对应的位置，所以temp 对应的位置要加1。

np.max() 求最大值
np.minimum（array, a）array 和 a 逐个比较取最大。

Soft-NMS

顾名思义，柔和的NMS。也就是不会立马斩杀，而是降低分值待考察。为的就是防止漏检。

怎么降低score呢？有很多种方式，

1、IOU线性抑制

2、IOU 高斯抑制

抑制死亡阈值： th = 0.001 , 未达到死亡阈值，仍可保留。

Softer-NMS

主要用在：
NMS时用到的score仅仅是分类置信度得分，不能反映Bounding box的定位精准度，既分类置信度和定位置信非正相关的。

基于soft-NMS，对预测标注方差范围内的候选框加权平均，使得高定位置信度的bounding box具有较高的分类置信度。

其实很简单，预测的四个顶点坐标，分别对IoU＞Nt的预测加权平均计算，得到新的4个坐标点。