1 去掉冗余
1 利用得分,给检测框排序
选出最大得分的检测框A1,
将与A1的IOU重叠率高的检测框,进行删除,
2 其余的剩下的检测再次排序,选择最大的A2,
将与A2的IOU重叠率高的检测框,再次进行删除,
3 ...迭代多次
输出结果
# /=== ===> 3:NMS非极大值抑制 <=== ===\
def bboxes_nms(self, classes, scores, bboxes, nms_threshold=0.5):
keep_bboxes = np.ones(scores.shape, dtype=np.bool)
for i in range(scores.size - 1):
if keep_bboxes[i]:
overlap = self.bboxes_iou(bboxes[i], bboxes[(i + 1):]) # 每个bboxes[i]都与其他的计算得到iou
keep_overlap = np.logical_or(overlap < nms_threshold, classes[(i + 1):] != classes[i]) # 逻辑或
keep_bboxes[(i+1):] = np.logical_and(keep_bboxes[(i+1):], keep_overlap) # 逻辑与
idxes = np.where(keep_bboxes)
return classes[idxes], scores[idxes], bboxes[idxes]
# \=== ===> 3:NMS非极大值抑制 <=== ===/
2 SOFT-NMS
上述方法太硬,又提出SOFT-NMS
NMS方法:
下图IOU大的,参数置为0,也就是删除
SOFT-NMS软处理:
调整其分数,让高分变
si * (1-iou重叠程度),之后整体得分变低
结果:
1 能提高高检索下的准确率
2 底检测下性能提升