深度学习中nms_thresh和conf_thresh的概念

在目标检测任务中，通常会使用非极大值抑制（Non-Maximum Suppression，NMS）来过滤掉重叠的边界框，以得到最终的检测结果。NMS算法的核心思想是选择置信度最高的边界框，并将与其IoU（Intersection over Union）大于一定阈值的其他边界框删除。 在实际应用中，通常需要设置两个阈值：`nms_thresh`和`conf_thresh`。其中，`nms_thresh`表示NMS算法中的IoU阈值，即当两个边界框的IoU大于该阈值时，将较低置信度的边界框删除；`conf_thresh`表示目标检测模型输出的置信度阈值，即只有置信度大于该阈值的边界框才会被保留。 例如，在Faster R-CNN模型中，通常会先通过RPN网络生成一系列候选边界框，然后对这些边界框进行分类和回归，得到最终的检测结果。在这个过程中，可以设置`conf_thresh`来控制哪些边界框被认为是有效的检测结果，而`nms_thresh`则用于去除重叠的边界框，以得到最终的不重叠的检测结果。