近段时间一直在看multi-person pose estimation，在最后有一个剔除候选keypoint的过程，该过程采用的NMS方法。但我一直对NMS不理解，经过查找资料，整理出本人对NMS的理解内容，如有不对请指出。
在引进NMS概念之前我们先介绍IOU(交并比)，因为在NMS中选出框图起到至关重要的作用
1、IOU(交并比)
物体检测需要定位出物体的bounding box，就像上面的图片一样，我们不仅要定位出车辆的bounding box 我们还要识别出bounding box 里面的物体就是车辆。
对于bounding box的定位精度，有一个很重要的概念，那就是定位精度评价公式：IOU。
IOU表示了bounding box 与 ground truth 的重叠度，如下图所示：
矩形框A、B的一个重合度IOU计算公式为：
IOU=Area(A∩B)/Area(A∪B)
就是矩形框A、B的重叠面积占A、B并集的面积比例:
IOU=SI/(SA+SB-SI)
如何计算IOU（交并比）
首先求出重合面积：
选取两个矩形框左顶角的横，纵坐标的最大值，x21，y21；选取两个矩形框右下边角的横纵坐标的最小值，x12，y12;
重合面积计算：
inter=
并集的面积计算：
计算IOU：
有了IOU（交并比）的概念理解，接下来我们就进入正题，介绍NMS
2、NMS概念
NMS也即非极大值抑制。在最近几年常见的物体检测算法（包括rcnn、sppnet、fast-rcnn、faster-rcnn等）中，最终都会从一张图片中找出很多个可能是物体的矩形框，然后为每个矩形框为做类别分类概率：
所谓非极大值抑制：依靠分类器得到多个候选框，以及关于候选框中属于类别的概率值，根据分类器得到的类别分类概率做排序，具体算法流程如下：
举例说明：（1）（2），这里设定交并比>=0.6就删除对比框图，留下最高分的框图；对于低于阈值的框图留下，然后在剩下的框图中排序，选出置信度值高的框图，然后重复交并比比较这个过程。
（1）选出Dog这个框图
（1）选出Bike这个框图
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/202658.html原文链接：https://javaforall.net
