会员服务

Soft-NMS – Improving Object Detection With One Line of Code

2018 年 3 月 30 日 统计学习与视觉计算组 刘珊兵

本文是ICCV-2017的一篇论文，是对NMS（非极大值抑制）的一种改进，可以提高物体检测的精度。

论文地址：https://arxiv.org/abs/1704.04503

代码：http://bit.ly/2nJLNMu

一、背景

NMS（non maximum suppression），中文名非极大值抑制，在很多计算机视觉任务中都有广泛应用，如：边缘检测、人脸检测和物体检测等，本论文主要用来讲解NMS在物体检测中的应用以及改进。

二、NMS算法（物体检测）

（1）传统的物体检测方法

         滑动窗口+分类器+NMS

（2）深度学习的物体检测方法（R-CNN）

         Region Propoals+分类子网（CNN）+边界回归+NMS

（3）算法流程

        通常的做法对于每个类别将检测框按得分排序，然后保留得分最高的框，同时删除与该框重叠面积大于阈值的其它框，依次迭代进行，直到边框集合为空。如图所示。按照下图整个处理一遍之后，指定一个置信度阈值，然后最后得分大于该阈值的检测框得以保留。


（4）传统的NMS存在的两个问题

第一：如下图所示。红色框和绿色框是当前的检测结果，二者的得分分别是0.95和0.80。如果按照传统的NMS进行处理，首先选中得分最高的红色框，然后绿色框就会因为与之重叠面积过大而被删掉，这样就会造成漏检，导致检测精度下降。

第二：阈值大小不好确定。如果设置的过小，会出现上面这种情况，如果过大，也会存在过多的假正样本，也会增大误检。

三、Soft-NMS算法

       不是简单地删除所有IOU大于阈值的框，而是通过用一种IOU的函数来降低其置信度。简单来说，就是如果两个框重叠面积越大，则它的置信度（分数）应该降的越多，因为它成为假正样本的概率更大，反之。算法流程如上图所示。由于这种改进，没有引入多余的参数，也没有增加计算量，也不需要额外的训练，但是实验效果表明，确实可以提高检测精度，因此，可以广泛应用于检测中。

（1）传统的NMS

（2）Soft-NMS，本文提出了两种函数，分别是线性函数和高斯函数，如下：

由上面的两种函数形式可以看出：M为当前得分最高框，