NMS理解

0 NMS介绍

NMS(Non-maximum suppression)是非极大值抑制， 目的是过滤掉重复的框。 为了保证检测的准确性， 检测网络的输出框一般都比较密集， 对一个物体， 会有多个预测框，NMS就是为了过滤掉这些重复的框， 保留质量最好的那一个框。
NMS的效果如下：

可能初看这个算法的同学会问， 为什么不直接取置信度最大的呢？这是不行的， 从上图可以直观的看出来， 如果直接取最大值，最终选取的2个框都是左边这位女士。NMS本质上要取的是局部的极大值， 而并不是最大值。

1 算法

1 首先对所有检测框按分类置信度进行排序， 选取置信度最高的那个框， 加入候选框集合;
2 删除掉与候选框IoU大于某个阈值的框(大于阈值的说明与候选框是重复的，而已经选出来的候选框质量更高被保留)；
3 对剩余的框重复执行步骤1和2， 直到剩余的框为空。

算法描述如下：

2 存在的问题

1 从上面的算法过程描述可以看出， 检测框的置信度是按分类置信度来确定的， 但是这两个并无直接关联， 分类置信度高不一定意味着框的质量好。
2 直接过滤掉与已有候选检测框IoU大于某个阈值的框， 可能会误过滤原本靠的非常近的物体的检测框。

针对问题2， 有人提出了soft-NMS， 对于IoU大于阈值的框， 不是直接过滤掉， 而是降低它的置信度。这样在下一轮比较中可以继续进行处理， 最后对置信度小于某一阈值的进行过滤。 如上图中所示， soft-NMS 与NMS的区别只在于对重叠框的处理。