O algoritmo de Supressão de Não-Máximos (Non-Maximum Suppression, NMS) atua como um algoritmo de pós-processamento para tarefas de detecção de objetos, selecionando a melhor caixa delimitadora a partir de um conjunto de caixas candidatas e suprimindo as demais. O algoritmo NMS tradicional seleciona a caixa candidata com a maior confiança de classe como a melhor caixa delimitadora, ignorando a correlação entre confiança de classe e precisão de localização; uma alta confiança de classe não significa necessariamente alta precisão de localização. Para resolver esse problema, foi proposto um novo algoritmo de Supressão de Não-Máximos com Reposicionamento (Relocation Non-Maximum Suppression, R-NMS). Seleciona a caixa candidata com a maior pontuação de confiança de classe como a melhor caixa delimitadora, utilizando um método de medição de distância entre caixas proposto pelo algoritmo R-NMS para substituir a medida de interseção sobre união (IoU) para avaliar a distância entre caixas. Em seguida, obtém informações de localização das caixas candidatas ao redor da melhor caixa e utiliza essas informações para realizar uma operação de reposicionamento na melhor caixa, obtendo assim uma nova melhor caixa delimitadora. Os testes foram realizados com o conjunto de dados PASCAL VOC2012 e os resultados experimentais mostram que, em comparação com os algoritmos tradicionais NMS e Soft-NMS, o algoritmo R-NMS aumentou o mAP no detector de objetos YOLOv3 em 0,7% e 0,5%, respectivamente, enquanto o mAP no Faster-RCNN atingiu 80,83%. Este algoritmo pode melhorar efetivamente a precisão de detecção dos detectores de objetos.

visão computacional; aprendizado profundo; detecção de objetos; supressão de não-máximos