非极大值抑制 (Non-Maximum Suppression, NMS)
作者：互联网
目录
NMS 基本过程
- 当前的物体检测算法为了保证召回率，对于同一个真实物体往往会有多于 1 个的候选框输出。由于多余的候选框会影响检测精度，因此需要利用 NMS 过滤掉重叠的候选框，得到最佳的预测输出
在上图中，候选框 C 的得分比 A 要低，在评测时，C 候选框会被当做一个 False Positive 来看待，从而降低模型精度。实际上，由于候选框 A 的质量要比 C 好，理想的输出是 A 而不是 C，我们希望能够抑制掉候选框 C
NMS 方法
- NMS 方法简单有效，并且对检测结果至关重要，在物体检测算法中有着广泛的应用。基本的 NMS 方法利用得分高的边框抑制得分低且重叠程度高的边框，因此涉及以下两个量化指标：
- 预测得分：NMS 假设一个边框的预测得分越高，这个框就要被优先考虑，其他与其重叠超过一定程度的边框要被舍弃，非极大值即是指得分的非极大值
- IoU：IoU 用于评价两个边框的重合程度。如果两个边框的 IoU 超过一定阈值时，得分低的边框会被舍弃。阈值通常会取 0.5 或者 0.7
NMS 方法的实现
def nms(bboxes, scores, thresh=0.5):
"""
Args:
bboxes: 所有预测框的左上点坐标、右下点坐标 (图片的最左上点坐标为 [0, 0])
scores: 所有预测框的得分
thresh: 设定的 IoU 阈值
"""
x1, y1 = bboxes[:,0], bboxes[:,1] # 所有预测框的左上角坐标
x2, y2 = bboxes[:,2], bboxes[:,3] # 所有预测框的右下角坐标
# 计算每个 box 的面积
areas = (x2 - x1) * (y2 - y1)
# 对得分进行降序排列，order 为降序排列的索引
_, order = scores.sort(0, descending=True)
# keep 保留了 NMS 留下的边框 box
keep = []
while order.numel() > 0:
if order.numel() == 1: # 保留框只剩一个
i = order.item()
keep.append(i)
break
else:
i = order[0].item() # 保留 scores 最大的那个框 box[i]
keep.append(i)
# 巧妙利用 tensor.clamp 函数求取每一个框与当前框的最大值和最小值
xx1 = x1[order[1:]].clamp(min=x1[i]) # 取 Anchor[i] 与其余 Anchors 的最大 x1, y1
yy1 = y1[order[1:]].clamp(min=y1[i])
xx2 = x2[order[1:]].clamp(max=x2[i]) # 取 Anchor[i] 与其余 Anchors 的最小 x2, y2
yy2 = y2[order[1:]].clamp(max=y2[i])
# 求取每一个框与当前框的重合部分面积
inter = (xx2 - xx1).clamp(min=0) * (yy2 - yy1).clamp(min=0)
# 计算每一个框与当前框的 IoU
iou = inter / (areas[i] + areas[order[1:]] - inter + 1e-9)
# 保留 IoU 小于阈值的边框索引 (nonzero 用于返回非零元素的索引)
idx = (iou <= threshold).nonzero().squeeze()
if idx.numel() == 0:
break
# 这里的 +1 是为了补充 idx 与 order 之间的索引差
order = order[idx+1]
# 返回保留下的所有边框的索引值
return torch.LongTensor(keep)
NMS 的缺陷
- (1) 最大的问题就是将得分较低的边框强制性地去掉，如果物体出现较为密集时，本身属于两个物体的边框，其中得分较低的也有可能被抑制掉，从而降低了模型的召回率
- (2) 阈值难以确定。过高的阈值容易出现大量误检，而过低的阈值则容易降低模型的召回率，这个超参很难确定
- (3) 将得分作为衡量指标。NMS 简单地将得分作为一个边框的置信度，但在一些情况下，得分高的边框不一定位置更准，因此这个衡量指标也有待考量
- (4) 速度：NMS 的实现存在较多的循环步骤，GPU 的并行化实现不是特别容易，尤其是预测框较多时，耗时较多
针对上述问题陆续产生了一系列改进的方法，如 Soft NMS、Softer NMS 及 IoU-Net 等
抑制得分: Soft NMS
加权平均: Softer NMS
定位置信度: IoU-Net
参考文献
- 《深度学习之 PyTorch 物体检测实战》
标签：clamp,得分,Non,NMS,IoU,Maximum,边框,order 来源： https://blog.csdn.net/weixin_42437114/article/details/121791564