非极大值抑制算法NMS非极大值抑制（Non-MaximumSuppression，NMS）是目标检测任务中重要的后处理步骤。只要是Anchor-based的检测方式，都需要经过NMS的后处理。一张图片被目标检测到后，会得到大量重复的anchors，NMS就是去除这些重复的anchors。如下图，左边是NMS处理前，右边是NMS处理后。NMS主要有两种处理方式，分别是HardNMS和SoftNMS，下面分别介绍。HardNMSHardNMS的步骤是根据anchor的评分从高到低对anchor进行排序。取出anchor列表中的第一个anchor（假设有100个anchor），计算剩下的所有anchor（99个anchor）和该anchor的iou，将该anchor添加到一个列表中。放弃iou大于iou阈值的anchor（认为是检测同一个物体）重复2和3，直到anchor列表为空代码如下defbbox_iou(anchors1,anchors2):lt=np.minimum(anchors1[:,np.newaxis,:2],anchors2[:,:2])rb=np.maximum(anchors2[:,np.newaxis,2:],anchors2[:,2:])inter_area=np.prod(rb-lt,axis=1)*np.all(rb>lt,axis=1)area1=np.prod(anchors1[2:]-anchors1[:2],axis=1)area2=np.prod(anchors2[2:]-anchors2[:2],axis=1)returninter_area/(area1[:,np.newaxis]+area2-inter_area)defhard_nms(anchors,scores,iou_thresh=0.7,condidates_num=200):“”"Params:anchors(numpy.array):nms之前的检测anchors,withshape(N,4)scores(numpy.array):anchorscoresbeforenms,withshape(N,)iou_thresh(float):iouthresholdReturn:keeps(num.array):keepedanchorindexes"""#ifanchors.size==0:return#按分数排序idxs=scores.argsort(0)[::-1]keeps=[]whilelen(idxs)>0:current=idxs[0]keep.append(current)#ifkeepnumequalwithcondidates_numoronlyananchorleftiflen(idxs)==1orlen(keeps)==condidates_num:打破idxs=idxs[1:]iou=bbox_iou(anchors[current][np.newaxis,:],anchors[idxs]).flaten()mask=ious<=iou_threshidxs=idxs[mask]返回np.array(keeps)SoftNMS通常我们选择HardNMS作为目标检测的后处理，但是在物体密集的情况下，HardNMS会丢弃一些置信度高的anchor周围的anchor。比如下图中的两匹马，红框的置信度最高，会被保留。假设HardNMS的iou阈值为0.5，下面红框和绿框的iou有可能大于阈值。这时，绿框将被丢弃。但在我们看来，绿框和红框其实是在检测两匹不同的马，绿框不应该被丢弃。所以这就是HardNMS的问题。有没有办法解决这个问题？首先，我们可能会想到修改iou阈值来缓解这个问题。欠条阈值应该设置多少？如果设置的高，会出现误检；如果设置低，召回率会降低，所以这是一个糟糕的选择。而SoftNMS正是为了解决这个问题。SoftNMS的流程可以用下图表示。从上图可以看出，NMS（HardNMS）和SoftNMS唯一的区别是对大于阈值的iou对应的anchor的处理方式。在HardNMS中，直接丢弃iou大于阈值的anchor$$s_i=\begin{cases}&s_i,\quadIou(M,b_i)
