【论文笔记 detection】soft-nms: Improving Object Detection With One Line of Code

前言

soft-nms: Improving Object Detection With One Line of Code 发表在ICCV 2017，在写本文之前的引用量为285。

参考内容如下：

• [paper]
• [Soft NMS算法笔记]

文章内容

1. NMS存在什么问题？

从图1可以看出，检测算法本来检测到两个框，但是经过传统的NMS处理后，会把较低置信度的绿色框过滤掉，导致只检测到一个目标，降低了检测的召回率。

会发现，NMS对bbx的处理太过简单粗暴，直接把跟置信度得分最大的box的IOU大于某个阀值直接置为零；
作者便想到，不如做平滑处理，将与置信度得分最大的bbx的IOU更大的的得分设置为更小的值，IOU更小的得分设置为更多大的值。

复习召回率
真正例/真阳性(True Positive, TP)：指被分类器正确分类的正元组。令TP为真正例的个数。
真负例/真阴性(True Negative, TN)：指被分类器正确分类的负元组。令TN为真负例的个数。
假正例/假阳性(False Positive, FP)：指被分类器错误标记为正元组的负元组。令FP为假正例的个数。
假负例/假阴性(False Negative, FN)：指被分类器错误标记为负元组的正元组。令FN为假负例的个数。
召回率(recall) = TP/(TP+FN)
精确率(precision) = TP/(TP+FP)

2. Soft-NMS算法

经以上思路 ，Soft-NMS算法的思路如下：

接下来就是怎么实现这个函数，实现IOU大的得分小，IOU小的得分大。

原始的NMS函数：

修改后的Soft-NMS：

但是上述函数是一个不连续的函数，无法直接求导，所以作者又将上式改变为：

3. 实验结果

4. 实战效果

目标检测结果：

总结

本文回溯了NMS到Soft-NMS的改进，首先NMS的操作对与一些特定目标的检测太过简单粗暴，所以作者想到了平滑处理的思想，但是一开始的得到的递减函数是一个不连续的函数，无法进行求导，所以作者又借鉴了常用的减函数的常用公式，得到了最后的Soft-NMS。

PS:
在实战过程中，有些人指出对于非密集数据集，Soft-NMS并不能带来提升，反而会使效果变得更差。
另外，Soft-NMS使用不当，会导致时间开销的增加。