NMS和Soft NMS

发布网友发布时间：2022-11-21 20:53

共1个回答

热心网友时间：2024-11-16 05:58

NMS 是 one-stage 和 two-stage 目标检测任务中常用的一种后处理方法，用来过滤无效重叠的检测框。

NMS 全称非极大值抑制，出自 ICPR2006 的论文《Efficient Non-Maximum Suppression》。其基本思想很简单，就是保留局部最大值而去除局部非最大值。

NMS 对所有的类别的检测框进行循环过滤。对于某个类别 C ，首先对这些矩形框按照概率降序排列，选中概率最大的框作为候选框，对于剩下的框，依次与候选框求 IOU ，如果 IOU 大于某个阈值（超参），则将这些框丢弃（置0），并标记保留最大概率框。

以此类推，最终所有的框相互之间的 IOU 都是小于超参阈值的，或者概率被置为 0 了。剩下的所有概率非0的框就是最终的检测框。

基于这种计算逻辑的 NMS 有两个缺点。首先， NMS 算法需要一个超参即 IOU Threshold ，这个阈值在不同任务中很难平衡。其次， NMS 会将相邻或者重叠的两个物体对应的两个大概率目标框去掉一个，造成漏检。

实现：

Soft-NMS 出自 CVPR2017 的论文《Improving Object Detection With One Line of Code》，对 NMS 做了一些改进。

Soft-NMS 总体算法流程同 NMS 相同，主要差别循环过程中对阈值的判断部分。 NMS 是简单的对 IOU 大于阈值的检测框进行删除出来，而 Soft-NMS 则是通过权重来降低检测框原有的置信度。对于有重叠的框，重叠区域越大，置信度衰减越严重。

Soft-NMS 计算降低置信度的权重常用两种方法：线性法和高斯法。

线性法：

高斯法：

实现如下，方法 1 为线性法，方法 2 为高斯法，其他参数的话 Soft-NMS 退化为 NMS ：

模拟的 5 个候选框：

实验可以看出，在相同 IOU 阈值的情况下， Soft-NMS 相比 NMS 保留了一个检测结果，这在同类别物体重叠的情况下能够提升其召回率。但是 Soft-NMS 又多引入了一个超参，这个参数的设置也会显著影响后处理的结果；而且，由于 Soft-NMS 在每次迭代都会修改 score 值，其最大值是在动态变化的需要在每次迭代都寻找一次，因此 Soft-NMS 相比 NMS 计算效率有所降低。