NMS:
《NMS:Efficient Non-Maximum Suppression》
非极大值抑制,即保留局部最大值而去除局部非最大值
过程:
假设对于某个类别C,假设当前有N个矩形框,这里假设6个,ABCDEFG
首先对这些矩形框按照概率降序排列,选中概率最大的框
对于剩下的框,依次与概率最大的框求IOU,如果IOU大于某个阈值,则将这些框丢弃(置0),并标记保留最大概率框
完成了一次遍历后,留下了一部分框,再从剩下的框中选择概率最大的框,继续根据IOU进行筛选
重复过程,最终保留下了部分矩形框
代码
import numpy as np
def MNS(dets, thresh):
x1 = dets[:, 0]
y1 = dets[:, 1]
x2 = dets[:, 2]
y2 = dets[:, 3]
scores = dets[:, 4]
areas = (x2 - x1 + 1) * (y2 - y1 + 1)
order = scores.argsort()[::-1] # 概率降序排列
keep = []
while order.size > 0:
# 计算IOU
i = order[0]
keep.append(i)
xx1 = np.maximum(x1[i], x1[order[1:]])
xx2 = np.minimum(x2[i], x2[order[1:]])
yy1 = np.maximum(y1[i], y1[order[1:]])
yy2 = np.minimum(y2[i], y2[order[1:]])
w = np.maximum(0.0, xx2 - xx1 + 1)
h = np.maximum(0.0, yy2 - yy1 + 1)
inter = w * h
iou = inter / (areas[i] + areas[order[1:]] - inter)
inds = np.where(iou<=thresh)[0]
order = order[inds+1]
return keep
Soft-NMS:
《Improving Object Detection With One Line of Code》
将循环过程中的IOU和thresh的判别过程进行改进,用权值来衰减scores
过程:
NMS过程中,会对IOU进行筛选
而Soft-NMS改进了这一点,引入权值函数,但仍需设定阈值
对于有重叠的框,重叠区域越大,置信度衰减越严重