目标检测后处理：从nms到softer nms_nms改softnms-优快云博客

本文链接：https://blog.youkuaiyun.com/diligent_321/article/details/85859462

本文详细介绍了目标检测任务中的后处理方法，从经典的NMS（非极大值抑制）到Soft-NMS，再到Softer-NMS。NMS存在误删目标的问题，Soft-NMS通过平滑分数来缓解此问题，而Softer-NMS引入定位置信度，进一步提高定位精度。三者各有适用场景，Softer-NMS可与Soft-NMS结合使用，提升整体检测效果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

文章目录

对于目标检测算法，它包含了三个要素：Backbone + Head + Postprocess，上一篇文章介绍了Light Head R-CNN，它是对“head”部分的优化，对于Postprocess部分，最早用的是NMS，后面出现了Soft NMS和Softer NMS，本文将分别解释它们的动机和原理，希望能对大家有所帮助。

1 NMS

NMS，它的全称为“non-maximum supression”。为什么要使用nms呢？因为在目标检测任务中，不管是one-stage还是two-stage的算法，最终算法都会预测出多个proposals。在后处理部分中，需要对这些proposals做筛选。

1.1 动机

（1）优先选择分类score较高的proposal；
（2）跟分类score重叠较多的proposals，可以视为冗余的预测框；

1.2 步骤

（1）将算法预测出的所有proposals，按照不同的类别标签分组；
（2）对于每一个类别的所有proposals，记作 $B$ ，筛选后的proposals集合记作 $D$ ，执行如下操作，
        （a）选择score最高的proposal，记作 $M$ ，加入到 $D$ 中；
        （b）计算剩余的proposals与 $M$ 之间的Iou，若大于阈值 $N_{t}$ ，则舍弃，否则保留；
        （c）若步骤(b)中得到的所有proposals为空，则跳回步骤（2），否则执行步骤(a)。
（3）经过后处理之后，所有类别保留的有效proposals集合为S={D_{1}, D_{2}, …, D_{c}，其中c表示目标类别的数量；

伪代码如下图，
在这里插入图片描述

2 Soft-NMS

2.1 动机

由上可见，NMS算法保留score最高的预测框，并将与当前预测框重叠较多的proposals视作冗余，显然，在实际的检测任务中，这种思路有明显的缺点，比如对于稠密物体检测，当同类的两个目标距离较近时，如果使用原生的nms，就会导致其中一个目标不能被召回，为了提高这种情况下目标检测的召回率，Soft-NMS应运而生。对