非极大值抑制 NMS

• 计算机视觉任务中经常遇到，比如进行目标检测，如果给出了很多可能的提议，就需要选择一个最佳的，否则会有很多overlap。
• 本文首先实现一个三邻域一维NMS，帮助算法理解。然后给出一个根据bbox之间IoU为准则的图像目标检测NMS应用案例．

1. 一维NMS代码帮助理解

# 非极大值抑制
"""
3邻域内，如果是最大的就输出索引 且跳转到i+2
如果不是则继续向前爬动,直到当前的大于下一个（且不超出列表长度）
"""

a = [1, 2, 2, 3, 2, 1, 1, 4, 5, 6, 6, 3, 5]

len_a = len(a)

i = 1  # 开始点
MaxIdx = []

while i < len_a - 1:
    if a[i] > a[i + 1]:
        if a[i] >= a[i - 1]:
            MaxIdx.append(i)

    else:  # a[i] < a[i+1]
        i += 1  # 先跳一个格试探一下 不加也没关系 
        while i < len_a - 1 and a[i] <= a[i + 1]:  # 向前爬  条件位置不能互换
            i += 1

        if i < len_a:  # 这时候 a[i] > a[i+1] &&  a[i] < a[i+1]
            MaxIdx.append(i)

    i += 2  # 跳两格

print(MaxIdx)

给出处理结果：
可见，非极大值数据被设定为０

2. IoU准则的NMS应用　YOLO场景

   简单来讲，对于bbox的NMS，只是把每个bbox对应的类别置信度排序后，放到上面的列表里面去，根据置信度大小，计算相对IoU，进行一维NMS．如果与局部极大置信度所对应的bbox求IoU>0.5，就舍弃这个bbox，作为结果，其置信度被设定为０,否则保留当前bbox对应的类别置信度．
   参考一个ppt[3]

   （１）将所有的bbox对应的类别置信度进行排序．因为YOLO里面一个边框对应一个唯一的类别置信度，可以一对一映射．如下如
   

   （２）执行NMS，每次执行都有两种情况．
   a. 与被比较的局部极大值对应的bbox IoU>0.5 (这个0.5是超参数，可以调节)
   b. 与被比较的局部极大值对应的bbox IoU<0.5
   对于情况a,反过来把当前置信度设置为0
   对于情况b,保持当前置信度不变．

   下图可见，置信度排名第二的非零bbox与排名第一的bbox之间IoU＞0.5,此时反过来把这个置信度设置为０．此处要强调非零或者小于某一个阈值，是为了减少IoU计算量．如果预测器本来就认为这里没有什么东西，那就不需要计算IoU了，置信度保持为０不变．

下图表明把这个置信度设定为0

还是在这个邻域里面，下图表明IoU小于设定阈值的情况，置信度不变
　（３）继续向前移动，对邻域内的bbox重复刚才的操作

（４）如果置信度大于零，就绘制bbox,否则跳过这一个bbox!

参考
[1] https://www.cnblogs.com/liekkas0626/p/5219244.html
[2] 图像中的NMS
[3]https://docs.google.com/presentation/d/1aeRvtKG21KHdD5lg6Hgyhx5rPq_ZOsGjG5rJ1HP7BbA/pub?start=false&loop=false&delayms=3000&slide=id.g137784ab86_4_5070

---

2020.0713更新

本节给出了浅显易懂的NMS代码实现，并通过YOLO　NMS案例理解在目标检测bbox过滤中的应用．