物体检测中一般模型会在一个物体上检测出多个拥有不同confidence score的格子, 但是对于输出结果来说,我们并不需要那么多的预测结果.因此,我们会用一些集成方法(ensemble method)来把这些预测结果合并成一个.
Non-maximum Suppression (NMS, 非最大化抑制)
NMS的思路是对所有类别的检测框进行循环过滤.对于某个类别, NMS 会根据预测结果的confidence score来把预测结果排序,然后选择有最大confidence的预测结果. 在此之后,通过一个IOU(Intersection over Union) 的threshold,就可以过滤其他的预测结果从而减少预测结果的重复性.
基于这种计算逻辑的NMS有两个缺点。首先，NMS算法需要一个超参即IOU Threshold，这个阈值在不同任务中很难平衡。其次，NMS会将相邻或者重叠的两个物体对应的两个大概率目标框去掉一个，造成漏检。
Soft-NMS
Soft NMS方法总流程和NMS算法流程相同. Soft NMS算法会根据IOU成比例的减少confidence score的值. 对于重叠的框,重叠区(IOU)越大,置信度衰减越严重. 一般的, Soft NMS降低置信度权重的计算方法有两个: 1. 线性法 2. 高斯法 NMS是一种特殊的线性法的Soft-NMS.(如下)
\[ s_i = \left. \begin{cases} s_i, iou < T \\ 0, iou \ge T\\ \end{cases} \right. \]
计算方法最好选用连续性的函数,因为采用不连续的函数会导致box集合中的confidence score出现断层.
WBF (Weighted Boxes Fusion) method
因为NMS和Soft-NMS会删掉很多的检测结果,所以可以说这些集成方法并没有用到模型预测出来的所有信息. 而WBF使用所有预测结果的置信度来计算出一个平均的检测结果,所以WBF可以在所有结果都不太准确的时候修正结果.
NMW (Non-maximum Weighted) method
NMW方法与WBF方法使用了相似的思路，只是NMW方法使用了IoU来调整检测结果的权重。