论文阅读：Softer-NMS: Rethinking Bounding Box Regression for Accurate Object Detection

最新推荐文章于 2024-04-03 08:03:07 发布

Kivee123

最新推荐文章于 2024-04-03 08:03:07 发布

阅读量4.6k

点赞数 6

文章标签： object detection

本文链接：https://blog.youkuaiyun.com/qq_37014750/article/details/82854264

版权

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。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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。

在这里插入图片描述

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：
在这里插入图片描述
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：