Descripción: La Supresión de No Máximos (NMS, por sus siglas en inglés) es un algoritmo fundamental en el campo de la detección de objetos y la visión por computadora. Su principal función es seleccionar la mejor caja delimitadora entre múltiples propuestas que pueden solaparse en la detección de un mismo objeto. En la práctica, cuando un modelo de detección de objetos genera varias cajas que indican la presencia de un objeto, NMS ayuda a filtrar estas propuestas, eliminando aquellas que tienen una alta superposición con otras, manteniendo solo la más confiable. Esto se logra mediante el cálculo de un umbral de intersección sobre la unión (IoU), que determina el grado de solapamiento entre las cajas. Si el IoU de dos cajas supera un umbral predefinido, se descarta la caja con la puntuación de confianza más baja. Este proceso no solo mejora la precisión de la detección, sino que también optimiza el rendimiento del sistema al reducir la cantidad de detecciones redundantes. NMS es especialmente relevante en aplicaciones donde la precisión es crítica, como en la conducción autónoma, la vigilancia y la robótica, donde la identificación precisa de objetos es esencial para la toma de decisiones.
Historia: La Supresión de No Máximos se introdujo en el contexto de la visión por computadora a finales de la década de 1990 y principios de 2000, en un momento en que los algoritmos de detección de objetos comenzaban a desarrollarse de manera más sofisticada. Aunque no se puede atribuir a un único autor, su uso se popularizó con el avance de técnicas como el detector de características rápidas (Haar cascades) y más tarde con el desarrollo de redes neuronales convolucionales (CNN). A medida que la detección de objetos se volvió más compleja, NMS se consolidó como una técnica estándar para mejorar la precisión de los modelos.
Usos: NMS se utiliza principalmente en sistemas de detección de objetos en tiempo real, como en aplicaciones de vigilancia, vehículos autónomos y análisis de imágenes médicas. Su capacidad para reducir las detecciones redundantes y mejorar la precisión hace que sea una herramienta esencial en la mayoría de los modelos de detección de objetos modernos, incluidos YOLO (You Only Look Once) y SSD (Single Shot MultiBox Detector).
Ejemplos: Un ejemplo práctico de NMS se puede observar en sistemas de vigilancia donde se detectan múltiples personas en un área. Si el sistema genera varias cajas delimitadoras para una misma persona debido a su movimiento, NMS se encargará de seleccionar solo la caja más precisa, eliminando las demás. Otro ejemplo es en vehículos autónomos, donde NMS ayuda a identificar y clasificar objetos en la carretera, como peatones y otros vehículos, asegurando que las decisiones de navegación se basen en información precisa.
