论文阅读+目标检测+一个对象对应多个候选框时该怎么办？

本篇不是针对某一篇论文的NMS进行总结，而是对常见的NMS进行总结。

解决什么问题

在某些情况下，对于同一个对象，我们可能为它找出了若干个矩形框。那么如何找到最合适的那个矩形框，成为了我们需要解决的问题？

如上图中：虽然几个框都检测到了人脸，但是我不需要这么多的框，我需要找到一个最能表达人脸的框。下图汽车检测也是同样的原理。

解决方案（怎么解决这个问题的）

针对该问题有3种传统的解决思路。

         第一种，选取好多矩形框的交集，即公共区域作为最后的目标区域。

         第二种，选取好多矩形框的并集，即所有矩形框的最小外截矩作为目标区域。当然这里也不是只要相交就直接取并集，需要相交的框满足交集占最小框的面积达到一定比例(也就是阈值)才合并。

         第三种,非极大值抑制（NMS），简单的说，对于有相交的就选取其中置信度最高的一个作为最后结果，对于没相交的就直接保留下来，作为最后结果。

              第四种，soft-NMS。

创新点

需要展开的技术

1.非极大值抑制？

（1）解释什么是非极大值抑制？

     非极大值抑制算法（Non-maximum suppression, NMS）的本质是抑制非极大值元素,可以理解为搜索局部极大值。（就是找到最大值）。这个局部代表的是一个邻域，邻域有两个参数可变，一是邻域的维数，二是邻域的大小。

抑制不是极大值的元素，可以理解为局部最大搜索。这个局部代表的是一个邻域，邻域有两个参数可变，一是邻域的维数，二是邻域的大小。
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。
原文: https://www.cnblogs.com/makefile/p/nms.html © 康行天下

（2）非极大值抑制的流程是怎么样的？

      非极大值抑制：先假设有6个矩形框，根据分类器类别分类概率做排序，从小到大分别属于车辆的概率分别为A、B、C、D、E、F。

(1)从最大概率矩形框F开始，分别判断A~E与F的重叠度IOU是否大于某个设定的阈值;

(2)假设B、D与F的重叠度超过阈值，那么就扔掉B、D；并标记第一个矩形框F，是我们保留下来的。

(3)从剩下的矩形框A、C、E中，选择概率最大的E，然后判断E与A、C的重叠度，重叠度大于一定的阈值，那么就扔掉；并标记E是我们保留下来的第二个矩形框。就这样一直重复，找到所有被保留下来的矩形框。

问题：最后得到的矩形框个数是多少？

（3）描述一下非极大值抑制算法？

下面给出3-邻域情况下NMS的实现

输入：分类概率已知的矩形框。

输出：

  3-邻域情况下的NMS即判断一维数组I[W]的元素I[i](2<=i<=W-1)是否大于其左邻元素I[i-1]和右邻元素I[i+1]，算法流程如下图所示：

  

  a. 算法流程3-5行判断当前元素是否大于其左邻与右邻元素，如符合条件，该元素即为极大值点。对于极大值点I[i]，已知I[i]>I[i+1]，故无需对i+1位置元素做进一步处理，直接跳至i+2位置，对应算法流程第12行。

    

  b. 若元素I[i]不满足算法流程第3行判断条件，将其右邻I[i+1]作为极大值候选，对应算法流程第7行。采用单调递增的方式向右查找，直至找到满足I[i]>I[i+1]的元素，若i<=W-1，该点即为极大值点，对应算法流程第10-11行。

    

参考资料：https://www.cnblogs.com/liekkas0626/p/5219244.html

算法代码实现？

详细代码请看参考文献：https://blog.csdn.net/qq_14845119/article/details/52064928

2.Soft-NMS

解决什么问题？

解决方案是什么？

方法的创新点

有哪些需要展开讲的技术？

（1）Soft-nms的算法。

方法的优点

为了消除多余的框，找到最佳的物体检测的位置。

方法的缺点

其他的技术点