建设银行网站会员基本信息,wordpress默认排序,微信开发社区,wordpress企业官网NMS算法(非极大值抑制)是目标检测算法中经典的后处理步骤#xff0c;其本质是搜索局部最大值#xff0c;抑制非极大值元素。主要利用目标检测框以及对应的置信度分数#xff0c;设置一定的阈值来删除重叠较大的边界框。 其算法流程如下#xff1a;
根据置信度得分进行排序…NMS算法(非极大值抑制)是目标检测算法中经典的后处理步骤其本质是搜索局部最大值抑制非极大值元素。主要利用目标检测框以及对应的置信度分数设置一定的阈值来删除重叠较大的边界框。 其算法流程如下
根据置信度得分进行排序 选择置信度最高的目标检测框添加到输出列表中将其从检测框列表中删除 计算该检测框与剩余候选检测框的IOU 删除IOU大于阈值的检测框 重复上述4步直至检测框列表为空 import numpy as npdef nms(dets, thresh): # x1, y1, x2, y2, scorex1, y1, x2, y2, scores dets[:, 0], dets[:, 1], dets[:, 2], dets[:, 3], dets[:, 4]areas (x2 - x1 1) * (y2 - y1 1) # 各个方框的面积order scores.argsort()[::-1] # 按置信度排序后的index 作为候选集keep [] # 保存筛选出来的方框的indexwhile order.size 0:i order[0] # 当前置信度最大的方框keep.append(i)xx1 np.maximum(x1[i], x1[order[1:]])xx2 np.minimum(x2[i], x2[order[1:]])yy1 np.maximum(y1[i], y1[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 # 当前置信度最大的框和其他所有框的相交面积overlap inter / (areas[i] areas[order[1:]] - inter)inds np.where(overlap thresh)[0] # 交并比小于thresh的仍然保留在候选集里 大的过滤掉order order[inds 1] # inds 1对应原来order中overlap小于thresh的项return keepif __name__ __main__:detections [[10, 20, 100, 100, 0.9],[20, 10, 110, 100, 0.88],[20, 20, 110, 110, 0.86],[40, 50, 200, 200, 0.95],[45, 52, 198, 202, 0.87]]detections np.array(detections)keeps nms(detections, 0.5)print(detections[keeps])
