soft-nms代码解读

nms算法常用在目标检测算法中，而soft-nms算法可以说是nms算法的一种改进或者替代。思考可以应用于其他目标检测算法中，以提高检测精度。

论文中说明，soft-nms算法提高了检测准确率，并且计算复杂度与传统nms算法相同。

soft-nms的提出

nms算法很简单，简单来说，就是将不是极大值的框抑制掉，也就是删除为0，只保留下置信度最大的那个框。而问题就出在这里，论文中的话来说，这个方法太hard，下面上图来说

 

上图中，有两匹马，都是待检测目标，也有两个检测到的框，得分分别是0.80和0.95
如果用nms算法，得分最高的框是红色框，得分0.95，而绿色框与红色框通过计算iou，肯定是大于一般我们设置的0.5的，那么绿色框就会被删除，导致少检测到一匹马的情况。此外，nms算法设置阈值也比较麻烦，如果设置过小，那么会出先这样的事情，少检测到目标；如果设置过大，又会经常出先误检。

所以，提出了可以用来代替nms算法的soft-nms算法，算法伪代码如下，详细说一下我对它的理解：

论文中的图片描述可以看出，B是检测出的框的集合，D用来存放最终的结果框，S是框的得分的集合，Nt是阈值，就是Nms算法里设置的阈值。

然后开始代码，

D刚开始是空，若B不是空，则开始接下来的流程，
①从S中找到得分最大的框，用m下标来表示，则bm就是当前所有框中，表示得分最大的一个框，用M表示，D与M取交集，从B中去除M，
②从剩下的B中，开始循环，红色部分表示nms算法，若最大框M和bi计算出的iou大于阈值，则按nms原理，从B中删除当前bi框，得分S中删除当前si这个分值。绿色部分表示soft-nms算法，最大得分框M和当前框bi的iou值，用来当作函数f(x)的输入，乘bi所对应的得分si，得到最终所需要的si。

然后一直一直，就返回最终的D和S啦~

原nms算法可以表示如下公式：

很容易看出，就是M和bi的iou，如果大于阈值，则删除bi框，得分si为0，反之，还是si

soft-nms算法：

如果小于阈值，那么还是得分si不变，如果大于阈值，si就变成si乘1减最大框M和当前框bi的iou值。

但论文中说它是不连续的，会出现断层，(不知道为啥，没看懂)
所以更多的用高斯加权：

这个公式，满足了 在没有重叠时，这个惩罚函数没有惩罚，在高重叠时，惩罚函数很高。

总之，nms算法直接将大于阈值的框删除，简单粗暴，但是可能会出先上述例子中的问题，检测不够准确。
而soft-nms算法，对于一个与得分最大框的iou大于阈值的框，不是将其删除，而是用较低的分数取代原来较高的分数，取得更好的效果。
(就像我们打扑克一样，两张牌叠的太靠近了，即iou过大，nms算法就直接把后面挡住的牌丢掉了；而soft-nms算法，将牌慢慢的搓出来，效果肯定比丢掉好，不考虑先出完牌赢的情况 哈哈哈哈哈哈)