非極大值抑制就是一個尋找局部最大值的過程
在進行目標檢測時一般會採取窗口滑動的方式，在圖像上生成很多的候選框，然後把這些候選框進行特徵提取後送入分類器，一般會得出一個得分（score），比如人臉檢測，會在很多框上都有得分，然後把這些得分全部排序。選取得分最高的那個框，接下來計算其他的框與當前框的重合程度（iou），如果重合程度大於一定閾值就刪除，因為在同一個臉上可能會有好幾個高得分的框，都是人臉但是不需要那麼框我們只需要一個就夠了。
如果圖片中有好幾個人臉，選取一個最大的後，第二個人臉怎麼辦？
實際上這是一個迭代的過程，第一步的非極大值抑制就是選取了某一個最大的得分，然後刪除了他周邊的幾個框（重點），第二次迭代的時候在剩下的框裡面選取一個最大的，然後再刪除它周圍iou區域大於一定閾值的，這樣不停的迭代下去就會得到所有想要找到的目標物體的區域。
假設有ABCDEF這麼多個得分框（已經按照得分從小到大排序）。
1、從最大概率矩形框F開始，分別判斷A~E與F的重疊度IOU是否大於某個設定的閾值;
2、假設B、D與F的重疊度超過閾值，那麼就扔掉B、D；並標記第一個矩形框F，是我們保留下來的。
3、從剩下的矩形框A、C、E中，選擇概率最大的E，然後判斷E與A、C的重疊度，重疊度大於一定的閾值，那麼就扔掉；並標記E是我們保留下來的第二個矩形框。
4、一直重複這個過程，找到所有曾經被保留下來的矩形框。
第一步尋找得分框
第一次迭代找到一個
第二次迭代找到另外一個
簡單來說就是選擇一個範圍內好的一個框，把周圍的框刪掉，因此叫非極大值抑制（參考csdn：xiuu91）
分享到:
閱讀更多 AI機器學習與數據挖掘 的文章
