《Softer-NMS: Rethinking Bounding Box Regression for Accurate Object Detection》
- intro：CMU & Face++
- arXiv：https://arxiv.org/abs/1809.08545
- github：https://github.com/yihui-he/softer-NMS
- 推荐：Softer-NMS: Rethinking Bounding Box Regression
for Accurate Object Detection
背景
先回顾一下NMS和Soft-NMS：
NMS还好理解，就是统计与指定类别最高置信度BBS具有一定重叠度（IoU）较的BBS，然后根据IoU阈值来对置信度进行打分。高于阈值，则置信度置为0，低于阈值，则不变。
举个例子：
下图中红色边界框的置信度最高，绿色框的置信度较小，但和红色框的IoU较大，如果按NMS规则，那么此时绿色框的置信度则置为0。可是实际上，绿色框是后面那匹马的边界框，而红色框是前面那匹马的边界框，两者应该同时存在。
其实是因为两个目标太近了，NMS的规则（阈值的设定太hard）在这种情况下就不能满足条件，以至于NMS的recall比较低。
上面NMS使得"重叠边界框"的置信度为0，所以后面就没有意义了，该边界框都不会再被考虑了。
来看看Soft-NMS如何解决这个问题的：
方法1：线性法
为了改变NMS这种hard threshold做法，并遵循IoU越大，得分越低的原则（IoU越大，越有可能是False Positive），于是用下面这个公式来表示Soft-NMS：
方法2：高斯法
但是方法1是不连续的，这样会导致边界框BBS集合中的score出现断层，因此就有了下面这个Soft NMS式子（也是大部分实验中采用的式子）：
解释一下，为什么IoU越大，得分越低。首先，得分越低是优于得分为0的，毕竟还能参与后面的计算，还有可能被"捞"起来。其次，IoU越大，说明两个边界框实在太解决了，其实是两个很重叠的目标，其实对应的边界框IoU也不是特别大。这里针对的是对一个目标，检测的两个重叠度很高的边界框，所以默认最大的就行，但又不能设置阈值一刀切，所以就设计"反比"关系。
创新点
- 提出KL Loss：用于具有定位置信度（localization confidence）的训练检测网络。
- 提出Softer-NMS：通过置信度估计来提高定位精度
关键词：KL Loss、NMS
In this section, we first propose KL Loss for training detection network with localization confidence. Then a new NMS approach is introduced for improving localization accuracy with our confidence estimation.
Bounding Box Regression with KL Loss
- TODO：原理剖析
Softer-NMS
- TODO；原理剖析
其实从下图中可以看到引入了 variances，这是NMS和Soft-NMS中没有的。
实验结果
从下面的表格中，可以看出KL Loss + Softer-NMS最佳的组合算法。各项条件下，mAP均最高。
