什么是NMS

NMS，是 Non Maximum Suppression 的缩写，中文翻译过来就是非极大值抑制，是目标检测算法中的后期处理模块，它的主要作用是删除高度冗余的 bounding box。

下图显示了 NMS 的工作机制

在目标检测过程中，算法对于每个目标(object)在检测的时候都会产生很多个 bounding box，通过 NMS，就能够去除冗余，得到最终的结果。

NMS的基本步骤

1. 将所有检出的 output bounding box 按每个类别(class)的得分(score)划分，将每个类别的score作为一个集合

2. 遍历每个集合，对每个集合进行如下计算

   • 在每个集合内根据各个 bounding box 的 score 做降序排列，得到一个降序的列表 list
   • 选取 list 中第一个元素l_0，计算l_0与list中其他的元素l_i之间的IoU，若IoU大于阈值，则剔除元素l_i，否则，暂时保留。这是因为多个 bounding box 表示的是同一个目标，所以保留score高的那个
   • 针对列表中的每个元素，都进行上述步骤，直到所有 list 元素都完成筛选

NMS的代码实现

下面的这份 NMS 实现，来自 Fast R-CNN，大家可以参考参考

# --------------------------------------------------------
# Fast R-CNN
# Copyright (c) 2015 Microsoft
# Licensed under The MIT License [see LICENSE for details]
# Written by Ross Girshick
# --------------------------------------------------------

import numpy as np

def py_cpu_nms(dets, thresh):
    """Pure Python NMS baseline."""
    x1 = dets[:, 0]                     # pred bbox top_x
    y1 = dets[:, 1]                     # pred bbox top_y
    x2 = dets[:, 2]                     # pred bbox bottom_x
    y2 = dets[:, 3]                     # pred bbox bottom_y
    scores = dets[:, 4]              # pred bbox cls score

    areas = (x2 - x1 + 1) * (y2 - y1 + 1)
    order = scores.argsort()[::-1]

    keep = []
    while order.size > 0:
        i = order[0]
        keep.append(i)
        xx1 = np.maximum(x1[i], x1[order[1:]])
        yy1 = np.maximum(y1[i], y1[order[1:]])
        xx2 = np.minimum(x2[i], x2[order[1:]])
        yy2 = np.minimum(y2[i], y2[order[1:]])

        w = np.maximum(0.0, xx2 - xx1 + 1)
        h = np.maximum(0.0, yy2 - yy1 + 1)
        inter = w * h
        ovr = inter / (areas[i] + areas[order[1:]] - inter)

        inds = np.where(ovr <= thresh)[0]
        order = order[inds + 1]

    return keep

参考资料

• https://xugaoxiang.com/2020/12/05/precision-recall-iou-map/