文章目錄

• 背景
• 創新點
• Bounding Box Regression with KL Loss
• Softer-NMS
• 實驗結果
• 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，就是統計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IoU閾值來對置信度進行打分。高于閾值，則置信度置為0，低于閾值，則不變。

舉個例子：

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規則，那么此時綠色框的置信度則置為0。可是實際上，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，兩者應該同時存在。

其實是因為兩個目標太近了，NMS的規則（閾值的設定太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，該邊界框都不會再被考慮了。

來看看Soft-NMS如何解決這個問題的：

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），于是用下面這個公式來表示Soft-NMS：

方法2：高斯法

但是方法1是不連續的，這樣會導致邊界框BBS集合中的score出現斷層，因此就有了下面這個Soft NMS式子（也是大部分實驗中采用的式子）：

解釋一下，為什么IoU越大，得分越低。首先，得分越低是優于得分為0的，畢竟還能參與后面的計算，還有可能被"撈"起來。其次，IoU越大，說明兩個邊界框實在太解決了，其實是兩個很重疊的目標，其實對應的邊界框IoU也不是特別大。這里針對的是對一個目標，檢測的兩個重疊度很高的邊界框，所以默認最大的就行，但又不能設置閾值一刀切，所以就設計"反比"關系。

創新點

• 提出KL Loss：用于具有定位置信度（localization confidence）的訓練檢測網絡。
• 提出Softer-NMS：通過置信度估計來提高定位精度

關鍵詞：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

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

實驗結果

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

參考

Soft NMS算法筆記

總結

以上是生活随笔為你收集整理的Softer-NMS 论文笔记的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。