非极大值抑制-Non-maximum suppresion(NM

在目标检测中，很多时候都需要从最后的多个备选框中甄选出最合适的框（box），但是很可能的情况是，对同一个位置的物体，有多个概率差不多的备选框，这时候怎么办？原则就是：用重叠面积来剔除。如果有两个框重叠的部分比较多（这里需要引入一个人为定义的量，重叠多少才剔除掉），就把概率低的剔除掉（或者叫抑制掉）。具体的方法就叫做极大值抑制，方便记忆的理解：使用极大概率的备选框抑制其它位置相近的备选框。

你可能会说，直接保留一个最大的一个不就得了！那可不行，因为可能一张图像上会有同一类的多个物体，比如说有两辆汽车，你总不能只检测出一辆来吧？

方法的具体实现上，这篇文章的matlab写的很好。

方法的输入：一些备选框，每个备选框包含备选框的坐标和属于相应类别的概率（注意：这里所有类共享这些备选框。换一种说法，假设有20种类别，对于同一个备选框的20个类别的概率之和等于1。这里我也有点糊涂，可能跟Softmax的输出格式有关）；一个重叠度的阈值。
输出：每个类别的备选框（们）。

使用20个类别是因为突然想到PASCAL库里面好像就是20个类别

具体：

对于第一个类别：

步骤1 先选个概率极大框加入最终结果（保证至少有一个），然后计算其他框和这个最大框的相交面积占两者总面积的比率（Intersection of Union - IoU），之后把比率比较大的剔除。

举个例子（图片来自 http://www.uco.es/~in1majim/proyectos/libpabod/）：

剔除操作事例

比如说：当前识别的是Person，输入了10个的备选框，这样弄一下，起码先把最大的保留了（起码找到了1个人，比如说person1吧），然后可能剔除了5个（那些绿色的框就都没了）。其实这里想一下就能明白，把重叠度高的剔除掉了，剩下的就比较可能是其他人了。

然后再重复步骤1：选出剩下的里面概率极大框加入最终结果（选出来了第二个，比如说person2吧），然后计算IoU，然后剔除（那些蓝色的框也没了）……

再重复步骤1……

……

直到：某一次剔除后，没有剩下的框了，那么这一个类别的框就就找全了。

开始找第二个类别……

好东西再安利一下：Matlab实现