【NMS】Non-Maximum Suppression

Non-Maximum Suppression (NMS) 是一种在目标检测算法中常用的技术，用于在检测过程中去除多余的边界框，从而保留最佳的检测结果。在计算机视觉任务中，如物体检测，通常会有多个边界框与同一个物体的实际位置重叠。NMS 通过选择最佳的边界框并移除其他重叠的边界框来解决这个问题。

NMS 的基本步骤如下：

1. 置信度排序：根据检测到的物体的置信度（即模型预测该边界框包含物体的概率）对所有边界框进行排序。

2. 选择最高置信度的边界框：从排序后的列表中选择置信度最高的边界框，将其添加到最终的检测结果中。

3. 计算交并比：计算该边界框与其他所有边界框的交并比（Intersection over Union, IoU）。IoU 是两个边界框交集面积与并集面积的比值。

4. 移除重叠边界框：设置一个阈值（如 0.5），将与选定边界框的 IoU 高于该阈值的其他边界框移除。

5. 迭代：从剩余的边界框中选择置信度最高的，重复步骤 3 和 4，直到所有边界框都被处理。

NMS 的效果是保留了最佳的边界框，同时减少了冗余和重叠，提高了目标检测的精度。然而，NMS 也有一些局限性，比如它可能移除了一些有用的边界框，或者在某些情况下无法很好地处理重叠较少的边界框。因此，研究人员也在不断探索改进 NMS 或者替代 NMS 的方法。