顧名思義就是抑制不是極大值的元素，可以理解為區域性最大搜尋。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(參考**《efficient non-maximum suppression》對1維和2維資料的nms實現)，而是用於目標檢測中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，每個視窗都會得到乙個分數。但是滑動視窗s會導致很多視窗與其他視窗存在包含或者大部分交叉的情況。這時就需要用到nms來選取那些鄰域裡分數最高（是行人的概率最大），並且抑制那些分數低的視窗。
對於bounding box的列表b及其對應的置信度s,採用下面的計算方式.選擇具有最大score的檢測框m,將其從b集合中移除並加入到最終的檢測結果d中.通常將b中剩餘檢測框中與m的iou大於閾值nt的框從b中移除.重複這個過程,直到b為空.
重疊率(重疊區域面積比例iou)閾值
常用的閾值是 0.3 ~ 0.5.
其中用到排序,可以按照右下角的座標排序或者面積排序,也可以是通過svm等分類器得到的得分或概率,r-cnn中就是按得分進行的排序.
就像上面的一樣，定位乙個車輛，最後演算法就找出了一堆的方框，我們需要判別哪些矩形框是沒用的。非極大值抑制的方法是：先假設有6個矩形框，根據分類器的類別分類概率做排序，假設從小到大屬於車輛的概率 分別為a、b、c、d、e、f。
(1)從最大概率矩形框f開始，分別判斷a~e與f的重疊度iou是否大於某個設定的閾值;
(2)假設b、d與f的重疊度超過閾值，那麼就扔掉b、d；並標記第乙個矩形框f，是我們保留下來的。
(3)從剩下的矩形框a、c、e中，選擇概率最大的e，然後判斷e與a、c的重疊度，重疊度大於一定的閾值，那麼就扔掉；並標記e是我們保留下來的第二個矩形框。
就這樣一直重複，找到所有被保留下來的矩形框。
nms非極大值抑制（non-maximum suppression，nms）
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...