「Computer Vision」Note on Soft-NMS

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/dgyuanshaofeng/article/details/82847064

QQ Group: 428014259
Tencent E-mail：[email protected]
http://blog.csdn.net/dgyuanshaofeng/article/details/82847064

Soft-NMS是物体检测组件NMS的改进版本。NMS有一个较大的问题在于将邻近检测（neighboring detections）置为0，从而丢失物体，如图1所示。文章[1]提出降低检测分数（detection scores），而非置为零，使得检测框能够保留在排序列表（ranked list）中。

图 1

4 Soft-NMS

NMS就是re-scoring函数：
$s_i = \begin{cases} s_i &\text{iou } (M, b_i) < N_t \\ 0 &\text{iou } (M, b_i) \geq N_t \end{cases}$
其中的，阈值 $N_t$是hard阈值，在处理 $M$附近时会出问题。NMS要考虑：其一，邻近检测的分数score应该下降一些，但是会提升假阳率。其二，在低NMS阈值时，移除邻近检测会提升漏检miss-rate。其三，使用高NMS阈值，平均精准率precision会下降。
作者们对上述的re-scoring函数进行改进，获得了Soft-NMS：
$s_i = \begin{cases} s_i &\text{iou } (M, b_i) < N_t \\ s_i(1-\text {iou}(M, b_i)) &\text{iou } (M, b_i) \geq N_t \end{cases}$
显然，分数score和交叠率overlap是线性关系，但是是不连续的。
作者们采用Gaussian惩罚函数作为上述加权函数：
$s_i=s_ie^{-\frac{{\text{iou}(M, b_i)}^2}{\sigma}}, \forall b_i \notin D$
如图2所示为Soft-NMS的伪代码，红色框为传统NMS，利用绿色框替换红色框即为论文所提出的后处理算法。

图 2：Soft-NMS算法

5 数据集和评价

VOC和COCO

6 实验

6.1 结果

见表1
会co-occur的场景会有比较大的提升，行人、车辆、人脸等。

6.2 敏感分析

6.3 什么时候work?

[1] Soft-NMS – Improving Object Detection With One Line of Code ICCV 2017 [paper] [code]