目标:NMS一般用在目标检测中,用来减少候选框的个数
输入数据:在边框回归中,假设得到N组边框数据,每一组是由左上角和右下角坐标以及一个置信度(代表与目标框的相识度)。还有一个阀值(当边框之间的重叠度超过这个阀值时,就舍去该边框)。
算法:
- 按照置信度递减排序
- 此时所有数据都没有使用过,选取相识度最高的,计算该边框与其他所有边框的重叠度,如果大于阀值(代表该边框作用不大),则舍弃该边框
- 一次循环过后,再接着选取未标注过的最大的置信度对应的边框,计算与其他边框的重叠度,和步骤2相同
- 直到遍历完,剩下的就是输出结果
代码分析
- 首先生成数据
import numpy as np
dets = np.array([ [204, 102, 358, 250, 0.5],
[257, 118, 380, 250, 0.7],
[280, 135, 400, 250, 0.6],
[255, 118, 360, 235, 0.7]])
thresh = 0.3
2源码分析
def py_cpu_nms(dets, thresh):
"""Pure Python NMS baseline."""
x1 =