【学习记录】NMS与IOU的理解
在目标检测类的论文中我们常常会看到NMS与IOU，这也说明这是NMS和IOU是目标检测中很基础也是很重要的概念。
1.IOU（交并比）
我们假设两个集合A和B，交并比顾名思义就是两个集合的交集与并集的比值。我们将A,B分别看成两个实体框的话，集合即它们的面积。
IOU一般与我们人为设定的阈值之间有着密切的联系。
2.NMS(非极大值抑制)
NMS（non maximum suppression）指的是非极大值抑制，就是抑制那些非极大值的元素，即在集合中去搜索局部极大值。NMS在目标检测中具有重要的应用。
NMS的流程步骤：
- 通过滑动窗口或其他方法产生候选框
- 对不同的窗口进行类别的概率预测（这里类别已经在训练的分类器中区分开来）
- 通过NMS将窗口进行融合（保留最准确的那个）
上图展示了流程前两步产生的效果，有多个候选框及它们的预测分数。
首先我们将候选框的置信度从高到低进行排序（这里以女孩的脸部为例）,0.98>0.83>0.75。然后我们取出置信度最高的0.98这个候选框，求它与次大的框0.83的IOU，若IOU>人为设定的阈值，则删除0.83这个候选框（将置信度为0.83的候选框的置信度置0）。后面的候选框依次与置信度最高的框以此方法进行筛选，若遍历完第一遍后从次大的置信度的框开始依次方式再次迭代筛选。
通过上述方式筛选出唯一的框。
总结来说，NMS就是一个迭代-遍历-消除的一个重复过程。
3.YOLO中的NMS
一个迭代-遍历-消除的一个重复过程。