【论文阅读】NMS系列 结合代码学习 solov2 Matrix NMS

solov2提出了Matrix NMS，这一篇就想把NMS系列总结一下。
Non-Maximum Suppression的翻译是非“极大值”抑制，而不是非“最大值”抑制。这就说明了这个算法的用处：找到局部极大值，并筛除（抑制）邻域内其余的值。

NMS

参考：https://zhuanlan.zhihu.com/p/78504109
在目标检测中，我们需要NMS从堆叠的类别一样的边框中挑出最好的那个。

主要实现的方法就是对于相同类别的，把置信度比自己低，和自己的重叠度即iou大于某一阈值的剔除(把置信度置位0)

算法流程：

• 将所有的框按类别划分，并剔除背景类，因为无需NMS。
• 对每个物体类中的边界框(B_BOX)，按照分类置信度降序排列。
• 在某一类中，选择置信度最高的边界框B_BOX1，将B_BOX1从输入列表中去除，并加入输出列表。
• 逐个计算B_BOX1与其余B_BOX2的交并比IoU，若IoU(B_BOX1,B_BOX2) > 阈值TH，则在输入去除B_BOX2。
• 重复步骤3~4，直到输入列表为空，完成一个物体类的遍历。
• 重复2~5，直到所有物体类的NMS处理完成。
• 输出列表，算法结束

Soft NMS

参考：https://blog.csdn.net/app_12062011/article/details/77963494
motivation：图片上有重叠的两个类别一样的物体，用传统的nms置信度较低的那一个很可能被去除，但其实他们框的是两个不一样的物体。

解决办法：不是一遇到重叠度过高的就去除，而是将阈值降低，降低的方式有liner和高斯。

Matrix NMS

Matrix NMS是在Soft NMS的基础上改进的，因为Soft NMS整个流程是sequential即串行的，不能并行实现（implemented in parallel。

Our Matrix NMS is motivated from Soft- NMS [1].
However, such process is sequential like tradi- tional Greedy NMS and could not be implemented in parallel.

那么作者就想，怎么能实现并行呢？(soft nms求decay factor也就是每次置信度要乘的那个f(iou)是串行的)

decay factor

Matrix NMS就从另一个角度看待问题，他考虑的是一个预测出来的mask $m_j$ 是如何被抑制的。
对于$m_j$它的decay factor受两方面影响：

• 每个预测的$m_i$对$m_j$的penalty ($s_i>s_j$)
  这个penalty通过$f(io{u}_{i,j})$就直接可以得到
• $m$