基本思路：从待检测目标中先按照分类置信度，找一个最可信的框。然后判断其他框和它的交并比(IoU),如果大于阈值TH，说明相似，抑制掉就好了。

算法：１．按照置信度排序　２．判断其他框和得分最高的框的IoU，大于阈值则剔除得分较小的建议框　３．从没有处理的框中继续选择一个得分最高的，重复上述过程。　４．遍历所有的建议框，即所有物体种类都做一遍非极大值抑制。

注意在faster rcnn中有两个阈值0.7，第一次是判断正负样本的时候，大于0.7标为正样本，小于0.3为负样本(背景)，中间的样本舍弃。　第二个是在nms中，用来判断和得分最高框的相似度，剔除相似样本。

１．局部最大搜索

目标检测问题的老大难问题之一就是如何提高召回率（所有标注的真实边界框有多少被预测出来了）。

　　　　　　　　　即recall=正检／（正检＋未检）

这就导致最后输出的边界框数量往往远大于实际数量，而这些模型的输出边界框往往是堆叠在一起的。因此，我们需要NMS从堆叠的边框中挑出最好的那个。

２．何时使用NMS？ When NMS?

回顾我在R-CNN中提到的流程：

1. 提议区域（选择性搜索）
2. 提取特征
3. 目标分类
4. 回归边框

NMS使用在4. 回归边框之后，即所有的框已经被分类且精修了位置。且所有区域提议的预测结果已经由置信度与阈值初步筛选之后。

3. 如何非极大值抑制 How NMS？

一维简单例子

由于重点是二维（目标检测）的实现，因此一维只放出伪代码便于理解。

判断一维数组I[W]的元素I[i](2<=i<=W-1)是否为局部极大值，即大于其左邻元素I[i-1]和右邻元素I[i+1]

算法流程如下图所示：

算法流程3-5行判断当前元素是否大于其左邻与右邻元素，如符合条件，该元素即为极大值点。对于极大值点I[i]，已知I[i]>I[i+1]，故无需对i+1位置元素做进一步处理，直接跳至i+2位置，对应算法流程第12行。

若元素I[i]不满足算法流程第3行判断条件，将其右邻I[i+1]作为极大值候选，对应算法流程第7行。采用单调递增的方式向右查找，直至找到满足I[i]>I[i+1]的元素，若i<=W-1，该点即为极大值点，对应算法流程第10-11行。

推广至目标检测

首先，根据之前分析确认NMS的前提，输入与输出。

使用前提

目标检测模型已经完成了整个前向计算，并给出所有可能的边界框（位置已精修）。

算法输入

算法对一幅图产生的所有的候选框，每个框有坐标与对应的打分（置信度）。

如一组5维数组：

• 每个组表明一个边框，组数是待处理边框数
• 4个数表示框的坐标：X_max，X_min，Y_max，Y_min
• 1个数表示对应分类下的置信度

注意：每次输入的不是一张图所有的边框，而是一张图中属于某个类的所有边框（因此极端情况下，若所有框的都被判断为背景类，则NMS不执行；反之若存在物体类边框，那么有多少类物体则分别执行多少次NMS）。

除此之外还有一个自行设置的参数：阈值 TH。

算法输出

输入的一个子集，同样是一组5维数组，表示筛选后的边界框。

算法流程

• • 将所有的框按类别划分，并剔除背景类，因为无需NMS。
  • 对每个物体类中的边界框(B_BOX)，按照分类置信度降序排列。
  • 在某一类中，选择置信度最高的边界框B_BOX1，将B_BOX1从输入列表中去除，并加入输出列表。
  • 逐个计算B_BOX1与其余B_BOX2的交并比IoU，若IoU(B_BOX1,B_BOX2) > 阈值TH，则在输入去除B_BOX2。
  • 重复步骤3~4，直到输入列表为空，完成一个物体类的遍历。
  • 重复2~5，直到所有物体类的NMS处理完成。
  • 输出列表，算法结束

代码实现及参考：https://www.zhihu.com/question/39405815/answer/791341975