nms,soft nms算法理解

从上面这张图可以看出来nms和soft nms的算法原理：
**

经典nms的原理

**设定目标框的置信度阈值，常用的阈值是0.5左右
根据置信度降序排列候选框列表	
选取置信度最高的框A添加到输出列表，并将其从候选框列表中删除	
计算A与候选框列表中的所有框的IoU值，删除大于阈值的候选框(大于阈值的候选框，表示与置信度最高的勾选框高度重合，所以认为是一个候选框了)
重复上述过程，直到候选框列表为空，返回输出列表**

由此可见，经典nms主要是通过IoU来筛选出候选框。

SoftNMS原理

**
找到置信度最高的Box A，将其置信度不变
计算A与其余所有框的IoU值，利用IoU值，经过f函数，更新其余候选框的置信度值
重复上述过程，直到所有剩余候选框的值被更新
根据置信度的门槛值，过滤出保留的候选框作为Nms的输出
**

Soft-NMS则是在经典nms的基础上增加了一个iou的函数，这个函数主要是来打压每个框的置信度si，对于那些原来置信度不高的Box，一打压，其置信度就会低于置信度门槛值，对于那些置信度很高的Box，即使打压，其置信度依然高，最后得以保留。

由上可见Soft-NMS的IoU主要是用来打压Box的置信度的。

以高斯函数举例，如下所示：
Soft-NMS-高斯

如果iou越大，则对Si的影响越大，使得Si越小，这样就更新了每个Box的Si的值
最后保留Si大于置信度门槛值的方式来筛选出候选框。

SoftNMS最终是保留那些即使iou不是很高，同时置信度不是很低的Box。

Soft-nms有可能导致nms结果增多，效果未必就好

参考文章：
https://blog.csdn.net/lz867422770/article/details/100019587