目标检测NMS理解

1 NMS
1)保留score最高的预测框
2)将与当前预测框重叠较多的proposals视作冗余

缺点:稠密物体检测时，同类的两个目标较近。会导致其中一个目标不能被召回。

2 Soft-NMS
1)”迂回“，认为重叠较多的proposals可能包含有效目标，只是重叠区域越大可能性性越小。

3 Softer-NMS
softer-NMS关注的是单个框的定位精度，而NMS和soft-NMS关注的是单个框的冗余性。

针对的问题：
1）proposals坐标不准确
2）分类score高的不一定定位score高。（NMS和Soft-NMS只基于分类score对proposals做排序），所以需要同时预测出检测框的定位score

网络结构：

经过上面的网络部分，Class分支会输出类别score，Box分支会输出box的4个坐标和这4个坐标对应的标准差（定位score）

KL散度，衡量概率分布的相似性，KL散度本身具有不对称性。
通常，在实际应用中为了使用对称性，使用的是KL散度的变形形式

4 总结
1）NMS：只适用于图片中目标比较稀疏的场景，即目标之间的间距较大；

2）soft-NMS：可以部分解决出现稠密目标的情况

3）softer-NMS：该后处理方法采用"bagging"的思想，通过后处理提高定位精度，可以和soft-NMS组合使用。

参考自：https://blog.csdn.net/diligent_321/article/details/85859462