计算机视觉工程师在面试过程中主要考察三个内容：图像处理、机器学习、深度学习。然而，各类资料纷繁复杂，或是简单的知识点罗列，或是有着详细数学推导令人望而生畏的大部头。为了督促自己学习，也为了方便后人，决心将常考必会的知识点以通俗易懂的方式设立专栏进行讲解，努力做到长期更新。此专栏不求甚解，只追求应付一般面试。希望该专栏羽翼渐丰之日，可以为大家免去寻找资料的劳累。每篇介绍一个知识点，没有先后顺序。想了解什么知识点可以私信或者评论，如果重要而且恰巧我也能学会，会尽快更新。最后，每一个知识点我会参考很多资料。考虑到简洁性，就不引用了。如有冒犯之处，联系我进行删除或者补加引用。在此先提前致歉了！
非极大值抑制
Non-Maximum Suppression NMS
目标检测常用算法
在目标检测中，同一个目标得到很多检测框，冗余性较大。
使用非极大值抑制减少冗余边框。如下图。
算法流程
- 取分数最高的框
- 计算其余框和该框的交并比（Interection-over-union，IoU），也就是重叠比例
- 滤除交并比大于阈值的框（阈值一般0.4左右）
- 剩余的框继续循环上述三步，直到无法滤除
IoU计算
一图胜千言
soft-NMS
使用NMS会使上述两个框只保留分数大的那个
然而两个框并不冗余，所以提出了soft-NMS
与NMS滤除IoU大于阈值的框不同，soft-NMS是改变IoU大于阈值的框的分数：
IoU小于阈值：框保留，分数不变，同NMS，可以进入下一次循环
IoU大于阈值：框保留，降低分数，不进入下一次循环
降低分数的两种方法：
s代表分数
线性：
指数：
个人认为，指数方法用计算复杂度换来了抑制分数程度的灵活性。
因为可以通过调整σ，改变抑制分数的程度：
σ越小，抑制越强烈。这样看，线性方法有些死板。
soft-NMS最后保留的框很多。
一般，最后设置一个阈值，直接过滤掉分数较低的框。
soft-NMS的算法复杂度相比NMS增加不大，所以一般使用soft-NMS。
完
欢迎讨论 欢迎吐槽