CV-NMS_nws在cv中代表什么

        对于目标检测来说, 非极大值抑制的含义就是对于重叠度较高的一部分同类候选框来说, 去掉那些置信度较低的框, 只保留置信度最大的那一个进行后面的流程, 这里的重叠度高低与否是通过 iou 阈值来判断的.

        算法逻辑:

        输入: n 行 5 列的候选框数组，每行依次为：左上角横坐标，左上角纵坐标，右下角横坐标，右下角纵坐标，置信度

        输出: m 行 5 列的候选框数组, 每行含义同输入

        算法流程:

        计算 n 个候选框的面积大小

        对置信度进行排序, 获取排序后的下标序号, 即采用argsort

        将当前置信度最大的框加入返回值列表中

        获取当前置信度最大的候选框与其他任意候选框的相交面积

        利用相交的面积和两个框自身的面积计算框的交并比, 将交并比大于阈值的框删除.

        对剩余的框重复以上过程

        代码实现：

        1、面试简单版本（不包含iou实现，iou实现可以参考本笔记本其他笔记，注意排序的实现方法）

def nms(bboxs, threshold):
    """
    计算nms
    不包含根据得分预先过滤的功能
    :param bboxs: 列表[[xt1, yt1, xb1, yb1, score1], .....]
    :param threshold: iou过滤阈值
    :return:
    """
    if len(bboxs) == 0:
        return bboxs
 
    # 按得分排序
    def take_score(c):
        return c[4]
    bboxs.sort(key=take_score, revere=True)
 
    result = []
    for i in range(len(bboxs) - 1):
        if bboxs[i][4] > 0:
            result.append(bboxs[i])
            for j in range(i, len(bboxs)):
                if iou(bboxs[i][:4], bboxs[j][:4]) > threshold:
                    bboxs[j][4] = 0
    return result

        2、numpy实现（高效且包含iou计算）

mport numpy as np
 
 
def nms(bboxs, threshold):
    """
    计算nms
    不包含根据得分预先过滤的功能
    :param bboxs: numpy 矩阵[[xt1, yt1, xb1, yb1, score1], .....]
    :param threshold: iou过滤阈值
    :return:
    """
    if len(bboxs) == 0:
        return bboxs
 
    xt = bboxs[:, 0]
    yt = bboxs[:, 1]
    xb = bboxs[:, 2]
    yb = bboxs[:, 3]
    score = bboxs[:, 4]
    areas = (xb - xt + 1) * (yb - yt + 1)
 
    result = []
    # 对置信度进行排序, 获取排序后的下标序号, argsort 默认从小到大排序
    index_sorted = np.argsort(score)
    while index_sorted.size > 0:
        index_current = index_sorted[-1]
        # 将当前置信度最大的框加入返回值列表中
        result.append(bboxs[index_current])
 
        # 获取当前置信度最大的候选框与其他任意候选框的相交面积
        x_min = np.maximum(xt[index_sorted[:-1]], xt[index_current])
        x_max = np.minimum(xb[index_sorted[:-1]], xb[index_current])
        y_min = np.maximum(yt[index_sorted[:-1]], yt[index_current])
        y_max = np.minimum(yb[index_sorted[:-1]], yb[index_current])
        w = np.maximum(0, x_max - x_min + 1)
        h = np.maximum(0, y_max - y_min + 1)
        area_i = w * h
 
        iou = area_i / (areas[index_sorted[:-1]] + areas[index_current] - area_i)
        index_sorted = index_sorted(np.where(iou < threshold))
 
    return result

参考连接：

1、https://hellozhaozheng.github.io/z_post/%E8%AE%A1%E7%AE%97%E6%9C%BA%E8%A7%86%E8%A7%89-NMS-Implementation/