Soft-NMS
动机
在目标检测中候选框的提取(含有根据前景/背景二分类的置信度得分),无论是传统方法例如滑动窗口,又或者是深度学习基于神经网络的RPN(区域提取网络)的方法,所提出来的候选框,相邻的候选框通常都有着相关的分数,因此会有很多相似的但是位置不那么精确的候选框,增加了检测的误检率。于是在目标检测的过程中,都会增加NMS(非极大值抑制)的算法作为后处理,通过计算相邻边框的重合度,根据边框的置信度得分来筛选掉一些相似的但是得分并不高的边框,从而增加检测的效果。
但是NMS算法存在着一些问题,就是当一个真实的物体由于重叠等原因的影响,导致与相邻的边框重合度较高,即使它本身的得分也足够高,也会因此而被删除,从而无法检测出来。
如图所示,图中绿色虚线边框中存在另一匹马,但是如果按照NMS的方法,将会因为重合度而被删除,但是如果只是简单的增加NMS的阈值,那么候选框的筛选可能不足。
因此想到如果对于重合度较高的区域通过降低它的置信度得分来代替粗暴的删除,那么可能仍然能够保留那些真实的区域。