非極大值抑制（non-maximum suppression，nms）是一種去除非極大值的演算法，常用於計算機視覺中的邊緣檢測、物體識別等。
演算法流程
：給出一張和上面許多物體檢測的候選框（即每個框可能都代表某種物體），但是這些框很可能有互相重疊的部分，我們要做的就是只保留最優的框。假設有n個框，每個框被分類器計算得到的分數為si, 1<=i<=n。
0、建造乙個存放待處理候選框的集合h，初始化為包含全部n個框；
建造乙個存放最優框的集合m，初始化為空集。
1、將所有集合 h 中的框進行排序，選出分數最高的框 m，從集合 h 移到集合 m；
2、遍歷集合 h 中的框，分別與框 m 計算交並比（interection-over-union，iou），如果高於某個閾值（一般為0~0.5），則認為此框與 m 重疊，將此框從集合 h 中去除。
3、回到第1步進行迭代，直到集合 h 為空。集合 m 中的框為我們所需。
需要優化的引數：
iou 的閾值是乙個可優化的引數，一般範圍為0~0.5，可以使用交叉驗證來選擇最優的引數。
示例：
比如人臉識別的乙個例子：
已經識別出了 5 個候選框，但是我們只需要最後保留兩個人臉。
首先選出分數最大的框（0.98），然後遍歷剩餘框，計算 iou，會發現露絲臉上的兩個綠框都和 0.98 的框重疊率很大，都要去除。
然後只剩下傑克臉上兩個框，選出最大框（0.81），然後遍歷剩餘框（只剩下0.67這乙個了），發現0.67這個框與 0.81 的 iou 也很大，去除。
至此所有框處理完畢，演算法結果：
（來自
非極大值抑制（NMS）
非極大值抑制 nms 非極大值抑制顧名思義就是抑制不是極大值的元素，搜尋區域性的極大值。這個區域性代表的是乙個鄰域，鄰域有兩個引數可變，一是鄰域的維數，二是鄰域的大小。這裡不討論通用的nms演算法，而是用於在目標檢測中用於提取分數最高的視窗的。例如在行人檢測中，滑動視窗經提取特徵，經分類器分類識別後...
NMS非極大值抑制
非極大值抑制演算法 non maximum suppression for object detection in python 非極大值抑制演算法 nms 非極大值抑制 矩形框融合 nms 卷積網路改進實現 筆記 人臉檢測視窗選擇辦法 nms convnet 開源 如何用soft nms實現目標檢...
非極大值抑制（NMS）
非極大值抑制 nms 非極大值抑制顧名思義就是抑制不是極大值的元素，搜尋區域性的極大值。這個區域性代表的是乙個鄰域，鄰域有兩個引數可變，一是鄰域的維數，二是鄰域的大小。這裡不討論通用的nms演算法，而是用於在目標檢測中用於提取分數最高的視窗的。例如在行人檢測中，滑動視窗經提取特徵，經分類器分類識別後...