深度學習_目標檢測_非極大值抑制（NMS）以及其Python代碼

非極大值抑制（NMS）簡介

在目標檢測中，我們可以利用非極大值抑制對生成的大量候選框進行後處理，去除冗餘的候選框，得到最具代表性的結果，以加快目標檢測的效率。

如下圖所示，消除多餘的候選框，找到最佳的bbox：

非極大值抑制（NMS）流程

首先，根據候選框的類別分類概率 進行排序：$A < B < C < D < E < F$

1. 先標記最大概率矩形框F是我們要保留下來的候選框。
2. 從最大概率矩形框F開始，分別判斷A～E與F的交併比（IOU）是否大於某個設定的閾值，假設B、D與F的重疊度超過閾值，那麼就去除B、D。
3. 從剩下的矩形框A、C、E中，選擇概率最大的E，標記爲要保留下來的候選框，然後判斷E與A、C的重疊度，去除重疊度超過設定閾值的矩形框。

就這樣重複下去，直到剩下的矩形框沒有了，並標記所有要保留下來的矩形框。

import numpy as np

def py_cpu_nms(dets, thresh):
	x1 = dets[:, 0]
	y1 = dets[:, 1]
	x2 = dets[:, 2]
	y2 = dets[:, 3]
	scores = dets[:, 4]

	areas = (x2 - x1 + 1) * (y2 - y1 + 1)
	order = scores.argsort()[::-1]

	keep = []
	while order.size > 0:
		i = order[0]
		keep.append(i)
		xx1 = np.maximum(x1[i], x1[order[1:]])
		yy1 = np.maximum(y1[i], y1[order[1:]])
		xx2 = np.minimum(x2[i], x2[order[1:]])
		yy2 = np.minimum(y2[i], y2[order[1:]])

		w = np.maximum(0.0, xx2 - xx1 + 1)
		h = np.maximum(0.0, yy2 - yy1 + 1)
		inter = w * h
		ovr = inter / (areas[i] + areas[order[1:]] - inter)

		inds = np.where(ovr <= thresh)[0]
		order = order[inds + 1]
			
		return keep