非极大值抑制(Non-Maximum Suppression NMS)
NMS就是去除冗余的检测框,保留最好的一个。
产生proposal后使用分类网络给出每个框的每类置信度,使用回归网络修正位置,最终应用NMS.
对于Bounding Box的列表B及其对应的置信度S,采用下面的计算方式.选择具有最大score的检测框M,将其从B集合中移除并加入到最终的检测结果D中.通常将B中剩余检测框中与M的IoU大于阈值Nt的框从B中移除.重复这个过程,直到B为空.
参考: http://www.cnblogs.com/makefile/p/nms.html © 康行天下
def nms_cpu(dets, thresh):
dets = dets.numpy()
#x1、y1、x2、y2、以及score赋值
x1 = dets[:, 0]
y1 = dets[:, 1]
x2 = dets[:, 2]
y2 = dets[:, 3]
scores = dets[:, 4]
##每一个检测框的面积
areas = (x2 - x1 + 1) * (y2 - y1 + 1)
#按照score置信度降序排序
order = scores.argsort()[::-1]#argsort函数返回的是数组值从小到大的索引值,然后又降序
keep = []#保留的结果框集合
while order.size > 0:
i = order.item(0)
keep.append(i)#保留该类剩余box中得分最高的一个
#得到相交区域,左上及右下##########
xx1 = np.maximum(x1[i], x1[order[1:]])#X 与 Y 逐位比较取其大者
yy1 = np.maximum(y1[i], y1[order[1:]])
xx2 = np.minimum(x2[i], x2[order[1:]])
yy2 = np.minimum(y2[i], y2[order[1:]])
##计算相交的面积,不重叠时面积为0
w = np.maximum(0.0, xx2 - xx1 + 1)
h = np.maximum(0.0, yy2 - yy1 + 1)
inter = w * h
#计算IoU:重叠面积 /(面积1+面积2-重叠面积)
ovr = inter / (areas[i] + areas[order[1:]] - inter)
##保留IoU小于阈值的box
##只有条件 (condition),没有x和y,则输出满足条件 (即非0) 元素的坐标 (等价于numpy.nonzero)。
inds = np.where(ovr <= thresh)[0]
order = order[inds + 1]#因为ovr数组的长度比order数组少一个,所以这里要将所有下标后移一位
return torch.IntTensor(keep)
【占坑,未完待续…】