文章目錄

• 背景
• 創(chuàng)新點(diǎn)
• Bounding Box Regression with KL Loss
• Softer-NMS
• 實(shí)驗(yàn)結(jié)果
• 參考

《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
• 推薦：Softer-NMS: Rethinking Bounding Box Regression
  for Accurate Object Detection

背景

先回顧一下NMS和Soft-NMS：

NMS還好理解，就是統(tǒng)計(jì)與指定類別最高置信度BBS具有一定重疊度（IoU）較的BBS，然后根據(jù)IoU閾值來對(duì)置信度進(jìn)行打分。高于閾值，則置信度置為0，低于閾值，則不變。

舉個(gè)例子：

下圖中紅色邊界框的置信度最高，綠色框的置信度較小，但和紅色框的IoU較大，如果按NMS規(guī)則，那么此時(shí)綠色框的置信度則置為0。可是實(shí)際上，綠色框是后面那匹馬的邊界框，而紅色框是前面那匹馬的邊界框，兩者應(yīng)該同時(shí)存在。

其實(shí)是因?yàn)閮蓚€(gè)目標(biāo)太近了，NMS的規(guī)則（閾值的設(shè)定太hard）在這種情況下就不能滿足條件，以至于NMS的recall比較低。

上面NMS使得"重疊邊界框"的置信度為0，所以后面就沒有意義了，該邊界框都不會(huì)再被考慮了。

來看看Soft-NMS如何解決這個(gè)問題的：

方法1：線性法

為了改變NMS這種hard threshold做法，并遵循IoU越大，得分越低的原則（IoU越大，越有可能是False Positive），于是用下面這個(gè)公式來表示Soft-NMS：

方法2：高斯法

但是方法1是不連續(xù)的，這樣會(huì)導(dǎo)致邊界框BBS集合中的score出現(xiàn)斷層，因此就有了下面這個(gè)Soft NMS式子（也是大部分實(shí)驗(yàn)中采用的式子）：

解釋一下，為什么IoU越大，得分越低。首先，得分越低是優(yōu)于得分為0的，畢竟還能參與后面的計(jì)算，還有可能被"撈"起來。其次，IoU越大，說明兩個(gè)邊界框?qū)嵲谔鉀Q了，其實(shí)是兩個(gè)很重疊的目標(biāo)，其實(shí)對(duì)應(yīng)的邊界框IoU也不是特別大。這里針對(duì)的是對(duì)一個(gè)目標(biāo)，檢測(cè)的兩個(gè)重疊度很高的邊界框，所以默認(rèn)最大的就行，但又不能設(shè)置閾值一刀切，所以就設(shè)計(jì)"反比"關(guān)系。

創(chuàng)新點(diǎn)

• 提出KL Loss：用于具有定位置信度（localization confidence）的訓(xùn)練檢測(cè)網(wǎng)絡(luò)。
• 提出Softer-NMS：通過置信度估計(jì)來提高定位精度

關(guān)鍵詞：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

其實(shí)從下圖中可以看到引入了 variances，這是NMS和Soft-NMS中沒有的。

實(shí)驗(yàn)結(jié)果

從下面的表格中，可以看出KL Loss + Softer-NMS最佳的組合算法。各項(xiàng)條件下，mAP均最高。

參考

Soft NMS算法筆記

總結(jié)

以上是生活随笔為你收集整理的Softer-NMS 论文笔记的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。