非極大值抑制，簡稱為nms演算法，英文為non-maximum suppression。其思想是搜素區域性最大值，抑制極大值。非極大值抑制，在計算機視覺任務中得到了廣泛的應用，例如邊緣檢測、人臉檢測、目標檢測（dpm，yolo，ssd，faster r-cnn）等。
目標檢測的過程中在同一目標的位置上會產生大量的候選框，這些候選框相互之間可能會有重疊，此時我們需要利用非極大值抑制找到最佳的目標邊界框，消除冗餘的邊界框。
左圖是人臉檢測的候選框結果，每個邊界框有乙個置信度得分(confidence score)，如果不使用非極大值抑制，就會有多個候選框出現。右圖是使用非極大值抑制之後的結果，符合我們人臉檢測的預期結果。
nms的問題：nms直接將和得分最大的box的iou大於某個閾值的box的得分置零，太簡單粗暴。
解決：相鄰區域內的檢測框的分數進行調整而非徹底抑制，從而提高了高檢測率情況下的準確率。
上圖是soft nms演算法的偽**如果是傳統的nms操作，那麼當b中的box bi和m的iou值大於閾值nt，那麼就從b和s中去除該box；如果是soft nms，則對於b中的box bi也是先計算其和m的iou，然後該iou值作為函式f()的輸入，最後和box bi的score si相乘作為最後該box bi的score。
為了改變nms這種hard threshold做法，並遵循iou越大，得分越低的原則（iou越大，越有可能是false positive）
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...