深度学习_目标检测_Soft-MNS详解

Soft-NMS论文链接

Soft-NMS介绍

针对原始NMS过于hard的问题，论文中提出了Soft-NMS进行解决。

那原始的NMS有什么问题呢？

我们先看下面的图：

在上图中，检测算法本来应该输出两个框，但是原始的NMS算法可能会把score较低的绿框过滤掉（如果绿框和红框的IOU大于设定的阈值就会被过滤掉），导致只检测出一个object（一个马），显然这样object的recall就比较低了。

而Soft-NMS比起原始NMS将bbox的得分置零，使用稍低一点的分数代替原有的分数。

另外由于Soft NMS可以很方便地引入到object detection算法中，不需要重新训练原有的模型，因此这是该算法的一大优点。

Soft-MNS的流程

上图清晰的介绍了整个算法流程。

比起原始的NMS，Soft-NMS将IOU值作为函数的输入，并将函数的结果与该bbox的得分相乘作为最后改bbox的得分。

下图是原始NMS的公式：

为了改变NMS这种hard threshold做法，并遵循iou越大，得分越低的原则（iou越大，越有可能是false positive），论文中用下面这个公式来表示Soft NMS：

但是上面这个公式是不连续的，这样会导致box集合中的score出现断层，因此就有了下面这个Soft NMS式子（也是大部分实验中采用的式子）：

实验结果