【论文】ICCV——Soft-NMS一种NMS（非极大值抑制）的改进方法

 

论文地址：Improving Object Detection With One Line of Code——点击即可跳转 

官方代码：官方代码仓库——点击即可跳转 

1.NMS介绍

hyshhh：【qzzh感知算法岗面试】NMS——YOLO网络中的NMS（非极大值抑制）算法作用原理

 

2.NMS在进行非极大值抑制时存在的问题

• 物体重叠：如下面第一张图，会有一个最高分数的框，如果使用nms的话就会把其他置信度稍低，但是表示另一个物体的预测框删掉（由于和最高置信度的框overlap过大）。

• 存在一些，所有的bbox都预测不准，不是所有的框都那么精准，有时甚至会出现某个物体周围的所有框都标出来了，但是都不准的情况

• 传统的NMS方法是基于分类分数的，只有最高分数的预测框能留下来，但是大多数情况下IoU和分类分数不是强相关，很多分类标签置信度高的框都位置都不是很准

所以作者提出问题所在——NMS算法将绿色检测框遮挡部分的得分设置为0是否合理，还是应该设置一个更小的值如0.4？

 

3.做出的改进

下面公式是NMS中的策略，当最大得分的检测框和其他检测框的IOU小于设定的IOU阈值时，保留其他的检测框。反之若IOU大于设定阈值，直接将得分设置为0。这样的操作太过于极端。

添加图片注释，不超过 140 字（可选）

作者针对IOU大于阈值的情况，设置了一个衰减系数。如下图所示，如果IOU大于阈值，IOU越大衰减系数越小，该检测框的得分就衰减为原来的（1-IOU）倍，而不是像NMS一样直接衰减为0；

4. 效果对比

作者给出了多组例子，如下图所示。蓝色框体为使用NMS进行非极大值抑制的结果，红色框体为使用soft-NMS进行非极大值抑制的结果。可以看出传统NMS对于重叠的同种类不同个体的检测无法兼顾，而soft—NMS很好的解决了这一问题。