NMS
NMS 顾名思义，非极大值抑制，也就是把极值周围的给抑制掉，不输出。在深度学习中叫去重，只保留最可靠的那个输出。
首先定义一个相似度，深度学习中用IOU表示两个框的相似度。
步骤：
1、取分值最大的框。
2、将IOU大于阈值（0.5）的框抑制掉。
3、取剩下框分值最大的框，循环步骤1、2。
很简单，是不是！
代码：
def NMS(boxes, scores, th):
x1 = boxes[:,0]
y1 = boxes[:,1]
x2 = boxes[:,2]
y2 = boxes[:,3]
box_erea = (y2 - y1) * (x2 - x1)
orders = scores.argsort()[::-1]
print(orders)
keep = []
print(orders.size)
while orders.size > 0:
item = orders[0]
keep.append(item)
cur_box = boxes[item]
ix1 = np.maximum(cur_box[0], x1[orders[1:]])
iy1 = np.maximum(cur_box[1], y1[orders[1:]])
ix2 = np.minimum(cur_box[2], x2[orders[1:]])
iy2 = np.minimum(cur_box[3], y2[orders[1:]])
iners = np.maximum(ix2 - ix1 + 1, 0.) * np.maximum(iy2 - iy1 + 1, 0.)
unions = (box_erea[orders[1:]] + box_erea[item]) - iners
ious = iners / unions
temp = np.where(ious < th)[0]
orders = orders[temp + 1]
return keep
代码解析：
1、先计算所有框的面积
2、分值降序排序，得到一个位置序列
3、循环：如果序列（N个值）不空：
取最大分值框，id对应第0个位置。
取所有剩余的框，id对应第0个位置之后。
剩余框（N-1个值）和最大分值框求IOU（N-1 个 IOU）
保留（N-1个）剩余框中对应IOU小于阈值的框的序列编号。作为新的序列。
注意事项：
temp = np.where(ious < th)[0]
orders = orders[temp + 1]
因为 temp 对应的是（N-1个）剩余框的位置，要取原序列（N个值）对应的位置，所以temp 对应的位置要加1。
np.max() 求最大值
np.minimum（array, a）array 和 a 逐个比较取最大。
Soft-NMS
顾名思义，柔和的NMS。也就是不会立马斩杀，而是降低分值待考察。为的就是防止漏检。
怎么降低score呢？有很多种方式，
1、IOU线性抑制
2、IOU 高斯抑制
抑制死亡阈值： th = 0.001 , 未达到死亡阈值，仍可保留。
; Softer-NMS
主要用在：
NMS时用到的score仅仅是分类置信度得分，不能反映Bounding box的定位精准度，既分类置信度和定位置信非正相关的。
基于soft-NMS，对预测标注方差范围内的候选框加权平均，使得高定位置信度的bounding box具有较高的分类置信度。
其实很简单，预测的四个顶点坐标，分别对IoU＞Nt的预测加权平均计算，得到新的4个坐标点。
Original: https://blog.csdn.net/long630576366/article/details/123021951
Author: maxruan
Title: NMS、Soft-NMS、Softer-NMS
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/682676/
转载文章受原作者版权保护。转载请注明原作者出处！