前言

今天来介绍下非极大抑制。

什么是非极大抑制？

目标检测算法会输出多个检测边框，尤其是在真实目标周围会有很多置信度高的检测边框。为了去除重复的检测边框，达到每个物体有且只有一个检测结果的目的。非极大值抑制（Non-maximum suppression，NMS）是一种获取局部最大值，抑制非极大值的算法，在计算机视觉中有着广泛的应用。其核心思想是一个迭代-遍历-消除的过程，重叠率大于固定阈值的低分框会被高分框抑制。

1、首先设置IOU阈值
2、对种类进行循环，
3、对同一种类类别而言对候选框依据类别得分进行排序，选中类别得分最高的候选框，遍历其余的候选框
4、如果和当前最类别得分最高的候选框的IOU大于IOU阈值，将其剔除
5、未处理的边框中继续选一个类别得分最高的，重复2-5上述过程，直到处理完所有的边框为止。保留下来的候选框即为检测结果。

  def detection_out(self, predictions, mbox_priorbox, background_label_id=0, keep_top_k=200, confidence_threshold=0.4): # 网络预测的结果 mbox_loc = predictions[0] # 置信度 mbox_conf = predictions[1] # 先验框 mbox_priorbox = mbox_priorbox results = [] # 对每一个图片进行处理 for i in range(len(mbox_loc)): decode_bbox = self.decode_boxes(mbox_loc[i], mbox_priorbox) bs_class_conf = mbox_conf[i] class_conf = np.expand_dims(np.max(bs_class_conf, 1),-1) class_pred = np.expand_dims(np.argmax(bs_class_conf, 1),-1) conf_mask = (class_conf >= confidence_threshold)[:,0] detections = np.concatenate((decode_bbox[conf_mask], class_conf[conf_mask], class_pred[conf_mask]), 1) unique_class = np.unique(detections[:,-1]) best_box = [] if len(unique_class) == 0: results.append(best_box) continue # 对种类进行循环， # 非极大抑制的作用是筛选出一定区域内属于同一种类得分最大的框， # 对种类进行循环可以帮助我们对每一个类分别进行非极大抑制。 for c in unique_class: cls_mask = detections[:,-1] == c detection = detections[cls_mask] scores = detection[:,4] # 根据得分对该种类进行从大到小排序。 arg_sort = np.argsort(scores)[::-1] detection = detection[arg_sort] while np.shape(detection)[0]>0: # 每次取出得分最大的框，计算其与其它所有预测框的重合程度，重合程度过大的则剔除。 best_box.append(detection[0]) if len(detection) == 1: break ious = iou(best_box[-1],detection[1:]) detection = detection[1:][ious<self._nms_thresh] results.append(best_box) # 获得，在所有预测结果里面，置信度比较高的框 # 还有，利用先验框和retinanet的预测结果，处理获得了真实框（预测框）的位置 return results

  

 

  
1
  
2
  
3
  
4
  
5
  
6
  
7
  
8
  
9
  
10
  
11
  
12
  
13
  
14
  
15
  
16
  
17
  
18
  
19
  
20
  
21
  
22
  
23
  
24
  
25
  
26
  
27
  
28
  
29
  
30
  
31
  
32
  
33
  
34
  
35
  
36
  
37
  
38
  
39
  
40
  
41
  
42
  
43
  
44
  
45
  
46
  
47
  
48
  
49
  
50
  
51
  
52
 

传统的非极大抑制产生的问题？

如果一个物体在另一个物体重叠区域出现，即当两个目标框接近时，分数更低的框就会因为与之重叠面积过大而被删掉，从而导致对该物体的检测失败并降低了算法的平均检测率，如下图所示，检测算法本来应该输出两个检测框，但是传统的非极大值抑制算由于绿框的得分较低且绿框和红框的IOU大于设定的阈值，因此会被过滤掉，导致只检测出一匹马，显然这样的算法设计是不合理的。

soft-nms

NMS直接粗暴的将和得分最大的box的IOU大于阈值的box的得分置零，那么有没有缓和（soft）一点的方式，这就引出了soft-nms，简言之soft-nms是用一个稍微小一点的分数替代原有的分数，而非直接粗暴的置零。
传统的非极大值抑制算法，当前检测框和最高得分检测框的IOU大于阈值时，直接将该检测框的得分置零。
其中 Si 表示当前检测框的得分， Nt为IOU的阈值，M为得分最高的检测框。

将当前检测框得分乘以一个权重函数，该函数会衰减与最高得分检测框M有重叠的相邻检测框分数，越是与M框高度重叠的检测框，其得分衰减越严重，为此我们选择高斯函数为权重函数，从而修改其删除检测框的规则。高斯权重函数如下所示：

代码对比：
传统nms：

while np.shape(detection)[0]>0: # 6、每次取出得分最大的框，计算其与其它所有预测框的重合程度，重合程度过大的则剔除。 best_box.append(detection[0]) if len(detection) == 1: break ious = iou(best_box[-1],detection[1:]) detection = detection[1:][ious<nms_thres]

  

 

  
1
  
2
  
3
  
4
  
5
  
6
  
7
 

sotf-nms：

while np.shape(detection)[0]>0: best_box.append(detection[0]) if len(detection) == 1: break ious = iou(best_box[-1],detection[1:]) detection[1:,4] = np.exp(-(ious * ious) / sigma)*detection[1:,4] detection = detection[1:] scores = detection[:,4] arg_sort = np.argsort(scores)[::-1] detection = detection[arg_sort]


  

 

  
1
  
2
  
3
  
4
  
5
  
6
  
7
  
8
  
9
  
10
  
11
 

文章来源: blog.csdn.net，作者：快了的程序猿小可哥，版权归原作者所有，如需转载，请联系作者。

原文链接：blog.csdn.net/qq_35914625/article/details/108412140