NMS（Non-Maximum Suppression，非极大值抑制）是目标检测中用来“去重”的后处理算法。它在模型输出的多重、重叠候选框中，保留最有可能的框（置信度最高），并移除与其高度重叠的其他框，从而让每个目标只留下一个检测结果。
定义与目的
- 在一片响应值分布中，只保留“局部峰值”（极大值），抑制附近较小响应，避免重复检测，提升稀疏性与稳定性。
- 核心思想：只留最有代表性的响应，去掉同一结构周围的冗余点/框。
常见应用
- 边缘检测（Canny）：沿梯度方向比较，如果当前像素不是该方向的最大值则置零。
- 角点/关键点（Harris、FAST、ORB）：对响应图做空间 NMS；ORB 还结合图像金字塔与网格分配，保证空间均匀。
- 目标检测：对候选框做 NMS，去除大量重叠的冗余框。
- 关键点热力图（姿态估计等）：从热力图中取峰值点。
基本算法（两类）
- 像素/响应图上的 NMS：
- 对每个像素，取邻域（如 3×3 或半径 r）比较，若不是邻域最大，抑制；可先阈值筛掉弱响应。
- Canny 会沿梯度方向做插值比较，精度更高。
- 检测框 NMS：
- 按分数降序排序；取最高分框，删除与其 IoU 超阈值的框；循环直到耗尽。
关键参数与取舍
- 邻域窗口大小/半径：大了丢真阳，小了重复点多。
- 阈值：先过滤弱响应，降低噪声误检。
- 框 NMS 的 IoU 阈值：高阈值保留更多框（召回高、冗余多），低阈值更激进（更干净、但易漏检）。
- 跨尺度策略：在金字塔内可“同层 NMS”或“合并后再 NMS”。
基本流程（类内独立执行，常称 class-wise NMS）
- 按置信度从高到低排序候选框；
- 取当前置信度最高的框加入结果列表；
- 计算该框与其余框的 IoU（交并比），将 IoU 大于阈值（如 0.5）的框删除；
- 重复 2-3 步直到无框可处理。
补充概念
- IoU（Intersection over Union）：两个框交集面积 / 并集面积。反映重叠程度。
- 关键超参数：
- 置信度阈值：先过滤低分框（如 >0.05 或 >0.25）。
- NMS IoU 阈值：越低越“严格”（更易删掉重叠框，可能漏检密集目标）；常见范围 0.3–0.7。
- 每类/全局最大保留数：限制输出数量。
- 按类抑制（class-wise） vs. 跨类抑制（class-agnostic）：一般按类进行，避免不同类别互相抑制。
伪代码
inputs: boxes B = {b_i}, scores S = {s_i}, iou_thresh
sort indices idx by S desc
keep = []
while idx not empty:
i = idx[0]
keep.append(i)
remove i from idx
for each j in idx:
if IoU(b_i, b_j) > iou_thresh:
remove j from idx
return keep
复杂度与优化
- 朴素实现约 O(N^2)。常见优化包括：在 GPU 上并行 NMS、按网格/块分割、先做强过滤降 N，再做 NMS。
常见变体
- Soft-NMS：不直接删除，而是按重叠程度衰减分数（线性/高斯），提高密集场景召回。
- DIoU-/CIoU-NMS：用距离/形状感知抑制准则，改善重叠严重时的区分。
- Matrix NMS、Fast NMS（如 YOLACT）：矩阵化或近似加速。
- WBF（Weighted Boxes Fusion）：在多模型融合中以加权平均合框，不属于严格的 NMS，但常与之对比。
实践建议
- 单目标大物体：阈值可略高（0.6–0.7）降低重复框。
- 密集小目标（人群、车辆密集）：阈值适当降低或采用 Soft-NMS/DIoU-NMS，避免过度抑制。
- 保持按类 NMS，除非明确需要跨类竞争。
一句话总结 NMS 通过“选最优、抑相似”的策略，基于 IoU 阈值去除冗余检测框，是目标检测输出阶段最关键的去重步骤之一。