技術標籤：目標檢測深度學習影象識別

 非極大值抑制：即找到區域性極大值，而非最大值，並抑制其領域內的其餘值。
在目標檢測中，對於一個物體可能會預測出多個候選框，那麼這時就可以用極大值抑制對一些冗餘的框進行濾除。

 一般來說，每一個預測框的輸出都會帶有該框的位置資訊以及置信度。

 NMS演算法流程：

1. 首先，對所有的框，通過一個置信度閾值將置信度低的框濾除。
2. 接著，選出置信度最高的框，將其儲存進輸出列表中。
3. 依次計算該框與其他剩餘的框的IOU值。然後通過一個IOU閾值將和這個置信度最高的框擁有較大IOU的框（即和這個框相近的框）去除。也就是去掉冗餘的框咯。
4. 繼續對剩餘的框進行2，3操作，直到遍歷完畢。

Example:

Output:

NMS Iteration 1:

NMS Iteration 2:

Code:
注：這裡的NMS是單類別的！多類別則只需要在外加一個for迴圈遍歷每個種類即可。

def py_cpu_nms(dets, thresh): 
"""Pure Python NMS baseline.""" 
    #dets某個類的框，x1、y1、x2、y2、以及置信度score
    #eg:dets為[[x1,y1,x2,y2,score],[x1,y1,y2,score]……]]
    # thresh是IoU的閾值     
 

    x1 = dets[:, 0] 
    y1 = dets[:, 1]
    x2 = dets[:, 2] 
    y2 = dets[:, 3] 
    scores = dets[:, 4] 
    #每一個檢測框的面積 
    areas = (x2 - x1 + 1) * (y2 - y1 + 1) 
    #按照score置信度降序排序 
    order = scores.argsort()[::-1] 
    keep = [] #保留的結果框集合 
    while order.size > 0: 
        i = order[0] 
        keep.
 
append(i) #保留該類剩餘box中得分最高的一個 
        #得到相交區域,左上及右下 
        xx1 = np.maximum(x1[i], x1[order[1:]]) 
        yy1 = np.maximum(y1[i], y1[order[1:]]) 
        xx2 = np.minimum(x2[i], x2[order[1:]]) 
        yy2 = np.minimum(y2[i], y2[order[1:]]) 
        #計算相交的面積,不重疊時面積為0 
        w = np.maximum(0.0, xx2 - xx1 + 1) 
       h = np.maximum(0.0, yy2 - yy1 + 1) 
       inter = w * h 
        #計算IoU：重疊面積 /（面積1+面積2-重疊面積） 
        ovr = inter / (areas[i] + areas[order[1:]] - inter) 
       #保留IoU小於閾值的box 
        inds = np.where(ovr <= thresh)[0] 
        order = order[inds + 1] #因為ovr陣列的長度比order陣列少一個,所以這裡要將所有下標後移一位 
    return keep

參考連結：
[1] 目標檢測：NMS——非極大值抑制
[2] 非極大值抑制（non-maximum suppression）的理解
[3] 影象處理中常用的非極大值抑制是什麼意思？
[4] 目標檢測之NMS非極大值抑制