matlab 非极大值抑制,非极大值抑制(Non-Maximum Suppression)

定义

在模型预测阶段，我们先为图像生成多个锚框，并为这些锚框一一预测类别和偏移量。随后，我们根据锚框及其预测偏移量得到预测边界框。当锚框数量较多时，同一个目标上可能会输出较多相似的预测边界框。了使结果更加简洁，我们可以移除相似的预测边界框。常用的方法叫作非极大值抑制(non-maximum suppression，NMS)。

计算流程

非极大值抑制的流程如下：

根据置信度得分进行排序

选择置信度最高的比边界框添加到最终输出列表中，将其从边界框列表中删除

计算所有边界框的面积

计算置信度最高的边界框与其它候选框的IoU。

删除IoU大于阈值的边界框

重复上述过程，直至边界框列表为空。

代码实现

from collections import namedtuple

Pred_BB_Info = namedtuple("Pred_BB_Info",

["index", "class_id", "confidence", "xyxy"])

def non_max_suppression(bb_info_list, nms_threshold=0.5):

"""

非极大抑制处理预测的边界框

Args:

bb_info_list: Pred_BB_Info的列表, 包含预测类别、置信度等信息

nms_threshold: 阈值

Returns:

output: Pred_BB_Info的列表, 只保留过滤后的边界框信息

"""

output = []

# 现根据置信度从高到底排序

sorted_bb_info_list = sorted(bb_info_list,

key = lambda x: x.confidence,

reverse=True)

while len(sorted_bb_info_list) != 0:

best = sorted_bb_info_list.pop(0)

output.append(best)

if len(sorted_bb_info_list) == 0:

break

bb_xyxy = []

for bb in sorted_bb_info_list:

bb_xyxy.append(bb.xyxy)

iou = compute_jaccard(tf.convert_to_tensor(best.xyxy),

tf.squeeze(tf.convert_to_tensor(bb_xyxy), axis=1))[0] # shape: (len(sorted_bb_info_list), )

n = len(sorted_bb_info_list)

sorted_bb_info_list = [

sorted_bb_info_list[i] for i in

range(n) if iou[i] <= nms_threshold]

return output