計算機視覺工程師在面試過程中主要考察三個內容：圖像處理、機器學習、深度學習。然而，各類資料紛繁複雜，或是簡單的知識點羅列，或是有着詳細數學推導令人望而生畏的大部頭。爲了督促自己學習，也爲了方便後人，決心將常考必會的知識點以通俗易懂的方式設立專欄進行講解，努力做到長期更新。此專欄不求甚解，只追求應付一般面試。希望該專欄羽翼漸豐之日，可以爲大家免去尋找資料的勞累。每篇介紹一個知識點，沒有先後順序。想了解什麼知識點可以私信或者評論，如果重要而且恰巧我也能學會，會盡快更新。最後，每一個知識點我會參考很多資料。考慮到簡潔性，就不引用了。如有冒犯之處，聯繫我進行刪除或者補加引用。在此先提前致歉了！
非極大值抑制
Non-Maximum Suppression NMS
目標檢測常用算法
在目標檢測中，同一個目標得到很多檢測框，冗餘性較大。
使用非極大值抑制減少冗餘邊框。如下圖。
算法流程
- 取分數最高的框
- 計算其餘框和該框的交併比（Interection-over-union，IoU），也就是重疊比例
- 濾除交併比大於閾值的框（閾值一般0.4左右）
- 剩餘的框繼續循環上述三步，直到無法濾除
IoU計算
一圖勝千言
soft-NMS
使用NMS會使上述兩個框只保留分數大的那個
然而兩個框並不冗餘，所以提出了soft-NMS
與NMS濾除IoU大於閾值的框不同，soft-NMS是改變IoU大於閾值的框的分數：
IoU小於閾值：框保留，分數不變，同NMS，可以進入下一次循環
IoU大於閾值：框保留，降低分數，不進入下一次循環
降低分數的兩種方法：
s代表分數
線性：
指數：
個人認爲，指數方法用計算複雜度換來了抑制分數程度的靈活性。
因爲可以通過調整σ，改變抑制分數的程度：
σ越小，抑制越強烈。這樣看，線性方法有些死板。
soft-NMS最後保留的框很多。
一般，最後設置一個閾值，直接過濾掉分數較低的框。
soft-NMS的算法複雜度相比NMS增加不大，所以一般使用soft-NMS。
完
歡迎討論 歡迎吐槽