论文提出Softer-NMS方法，通过引入边界框的方差来衡量定位精度，优化目标为最小化预测分布与真实分布的KL散度。使用角点定位并调整NMS过程，避免完全抑制得分较低的边界框。实验表明，该方法能提升目标检测的准确性。
Softer-NMS
文章
和之前同样出自Megvii的一篇论文IoU-Net一样，这篇论文的出发点也是，two-stage detector进行NMS时用到的score仅仅是classification score，不能反映bounding box的定位精准度，因此引入了一个反映其定位精准度的因变量。本文的这个因变量就是bounding box的4个坐标的方差。
可以看到，除了预测box的location外，网络还预测了一个Box std，相当于预测了一个location的高斯分布：
而这个方差std就是用来度量对位置估计的不确定性的量。AbsVal就是取绝对值，不使用relu的原因很简单，避免很多std直接变为0，不能反映位置的不确定性。用分布的形式表示bounding box，ground truth也可以这样表示，不过方差为0就是了：
最低0.47元/天 解锁文章
扫一扫
6927
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
