Introduction
传统的NMS (Non-Maximum Supression)去重过程如下：
但是对于两个“高度重合的object”，却容易“误杀”，导致只剩下一个bbox：
Innovation
针对传统的NMS计算公式：
Bharat Singh等人提出了soft版的NMS：
即：
不再删除所有与highest-score的bbox大于IoU阈值的框，而改为降低它们的置信度。
根据新公式易知，soft-nms对于 低overlap (注意不是低score)的bbox 保留得更好 。
落实到代码中真的就是“One line of code”：
Result
作者的实验显示，在相同召回率的情况下，不论阈值取0.6、0.7还是0.8，Soft-NMS的accuracy都要稍高过传统NMS一丢丢：
作者找了一些higly-overlap objects的场景图来验证Soft-NMS的优越性：
Thinking
Soft-NMS加强了对highly-overlap objects的正确区分，同时却也削弱了对light-overlap objects的区分能力；
本质上是对overlap情形的一种overfit，所以它只能算是对trade-off的offset；
只有在highly-overlap objects的场景下才能真正发挥作用，普通场景下并没有多少highly-overlap，所以甚至可能有反效果；
个人觉得Soft-NMS其实可以叫做“Overlap-NMS”。
[1] Soft-NMS – Improving Object Detection With One Line of Code