Soft-NMS原理、和NMS的区别

NMS:

《NMS：Efficient Non-Maximum Suppression》

非极大值抑制，即保留局部最大值而去除局部非最大值

过程：

假设对于某个类别C，假设当前有N个矩形框，这里假设6个，ABCDEFG

首先对这些矩形框按照概率降序排列，选中概率最大的框

对于剩下的框，依次与概率最大的框求IOU，如果IOU大于某个阈值，则将这些框丢弃（置0），并标记保留最大概率框

完成了一次遍历后，留下了一部分框，再从剩下的框中选择概率最大的框，继续根据IOU进行筛选

重复过程，最终保留下了部分矩形框

代码

import numpy as np

def MNS(dets, thresh):

    x1 = dets[:, 0]

    y1 = dets[:, 1]

    x2 = dets[:, 2]

    y2 = dets[:, 3]

    scores = dets[:, 4]

    areas = (x2 - x1 + 1) * (y2 - y1 + 1)



    order = scores.argsort()[::-1] # 概率降序排列



    keep = []

    while order.size > 0:

        # 计算IOU

        i = order[0]

        keep.append(i)



        xx1 = np.maximum(x1[i], x1[order[1:]])

        xx2 = np.minimum(x2[i], x2[order[1:]])

        yy1 = np.maximum(y1[i], y1[order[1:]])

        yy2 = np.minimum(y2[i], y2[order[1:]])

        w = np.maximum(0.0, xx2 - xx1 + 1)

        h = np.maximum(0.0, yy2 - yy1 + 1)

        inter = w * h

        iou = inter / (areas[i] + areas[order[1:]] - inter)



        inds = np.where(iou<=thresh)[0]

        order = order[inds+1]

    

    return keep

Soft-NMS：

《Improving Object Detection With One Line of Code》

将循环过程中的IOU和thresh的判别过程进行改进，用权值来衰减scores

 

过程：

NMS过程中，会对IOU进行筛选

而Soft-NMS改进了这一点，引入权值函数，但仍需设定阈值

对于有重叠的框，重叠区域越大，置信度衰减越严重

公式：

NMS：

Soft-NMS：