对象检测网络中的NMS算法详解
01NMS定义
在一个典型的对象检测管道中，网络会在中间层输出很多候选框proposals(Bounding Box-BB)。在这个阶段输出的BB大多数都会关联同一个检测对象，这个时候需要一个方法来合并这些BB成为一个对象检测框，除了FP之外。Non-maximum-suppression(NMS)通过空间距离结合并交比(IOU)完成聚类划分，对每个cluster只保留得分最高的BB，这种方法中文也被称着-非最大抑制。
02算法实现
NMS有两种最常见的代码实现方法
- 贪心算法Greedy
- 最优解算法Optimal
两种方法实现的伪代码如下：
Greedy
Optimal
两种算法提供了不同的解决思路：
03NMS超参数
两个重要的参数是score阈值与overlap阈值，任何低于score阈值的BB将会被拒绝，当两个BB的IOU大于给定的overlap阈值时候，两个检测框将会被聚类分割为同一个对象检测框。Overlap阈值需要平衡精度与抑制效果：
当overlap阈值越大、proposals boxes被压制的就越少，结果就是导致大量的FP(False Positives)，进一步导致检测精度下降与丢失(原因在于对象与背景图像之间不平衡比率，导致FP增加数目远高于TP) | 当overlap阈值越大、proposals boxes被压制的就越少，结果就是导致大量的FP(False Positives)，进一步导致检测精度下降与丢失(原因在于对象与背景图像之间不平衡比率，导致FP增加数目远高于TP) | ||
|---|---|---|---|
当overlap阈值越大、proposals boxes被压制的就越少，结果就是导致大量的FP(False Positives)，进一步导致检测精度下降与丢失(原因在于对象与背景图像之间不平衡比率，导致FP增加数目远高于TP) |
当overlap阈值很小的时候，导致proposals boxes被压制的很厉害，导致recall大幅下降。 | 当overlap阈值很小的时候，导致proposals boxes被压制的很厉害，导致recall大幅下降。 | ||
|---|---|---|---|
当overlap阈值很小的时候，导致proposals boxes被压制的很厉害，导致recall大幅下降。 |
提升：
使用soft-NMS，在soft-NMS中score被乘以负向IOU，图示如下：
下图是基于soft-NMS实现了对部分重叠对象的成功检测：
