文章目录

背景
创新点
Bounding Box Regression with KL Loss
Softer-NMS
实验结果
参考

《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。

参考

Soft NMS算法笔记

Softer-NMS 论文笔记相关推荐

softer nms论文阅读Bounding Box Regression with Uncertainty for Accurate Object Detection
论文地址:https://arxiv.org/pdf/1809.08545.pdf 代码地址:https://github.com/yihui-he/KL-Loss https://github.co ...
Soft NMS论文笔记
论文:Improving Object Detection With One Line of Code. Navaneeth Bodla*, Bharat Singh*, Rama Chellappa ...
目标检测中的NMS，soft NMS，softer NMS，Weighted Boxes Fusion
NMS 非最大值抑制算法,诞生至少50年了. 在经典的两阶段目标检测算法中,为了提高对于目标的召回率,在anchor阶段会生成密密麻麻的anchor框. 所以在后处理的时候,会存在着很多冗余框对应着同 ...
NMS by Representative Region: Towards Crowded Pedestrian Detection by Proposal Pairing论文笔记
NMS by Representative Region: Towards Crowded Pedestrian Detection by Proposal Pairing论文笔记看论文的笔记,欢迎 ...
图像内复制粘贴篡改取证matlab_[论文笔记] 篡改检测：RGB-N
[论文笔记] Learning Rich Features for Image Manipulation Detection 说在前面个人心得: 第一次关注篡改检测,最常见的篡改方式是拼接.复制移动 ...
最详细的SSD论文笔记
个人博客:http://www.chenjianqu.com/ 原文链接:http://www.chenjianqu.com/show-90.html 文:Wei Liu, Dragomir Angu ...
论文笔记：3D-CVF（ECCV 2020）
论文笔记:3D-CVF: Generating Joint Camera and LiDAR Features Using Cross-View Spatial Feature Fusion for ...
NMS、soft NMS、softer NMS与IOU-Guided NMS
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档 NMS.soft NMS.softer NMS与IOU-Guided NMS 一.NMS 二.soft NMS 三.softer NM ...
Soft NMS+Softer NMS+KL Loss
论文1: Soft-NMS – Improving Object Detection With One Line of Code (ICCV2017) 速达>> 论文2: Softer-N ...
目标检测后处理：从nms到softer nms
文章目录 1 NMS 1.1 动机 1.2 步骤 2 Soft-NMS 2.1 动机 2.2 算法思想 2.3 步骤 3 Softer-NMS 3.1 动机 3.1.1 现有方法的问题 3.1.2 本 ...

Softer-NMS 论文笔记

文章目录

背景

创新点

Bounding Box Regression with KL Loss

Softer-NMS

实验结果

参考

Softer-NMS 论文笔记相关推荐

最新文章

热门文章