NMS与Soft-NMS

非极大值抑制（Non-Maximum Suppression，简称NMS）是一种在计算机视觉任务中，尤其是在目标检测领域扮演着重要角色的低层次处理技术。它通过筛选出局部极大值得到最优解，广泛应用于边缘检测、目标检测等领域。NMS算法在目标检测中，通过消除冗余的边界框来完善物体检测模型的输出，并确保每个物体只被检测一次。这一过程大大提高了检测结果的准确性和可解释性，使其成为现代物体检测管道不可或缺的组成部分。

NMS算法的核心思想是通过设定一个阈值来判断两个候选框是否重叠。常用的重叠度量是交并比（IoU），定义为两个候选框的交集面积除以它们的并集面积。当两个候选框的IoU大于设定的阈值时，认为它们重叠。算法的步骤如下：

1. 按照置信度分数对所有候选框进行排序，从高到低。
2. 选择置信度最高的候选框，并将其作为最终输出的一个检测结果。
3. 计算该候选框与其他未处理的候选框的重叠区域的面积（可以使用交并比（Intersection over Union，IoU）来度量重叠程度）。
4. 去除与已选择的候选框有较高重叠的候选框，以避免重复检测。
5. 重复步骤2到4，直到所有候选框都被处理完毕。

NMS算法保留了置信度最高的候选框，并通过去除与其重叠的其他候选框，消除了冗余的检测结果。通过调整IoU阈值，可以控制NMS的严格程度。较高的IoU阈值会保留更多的候选框，但可能导致冗余检测；较低的IoU阈值可以去除更多的冗余框，但可能会错过一些真实目标

NMS（Non-Maximum Suppression）和Soft-NMS都是目标检测中用于去除冗余边界框的技术，但它们在处理边界框的方式上有所不同。

NMS通过直接消除那些与已选择边界框IoU（Intersection over Union）大于设定阈值的候选框来简化检测结果。这种方法简单直接，但有时可能会错误地抑制掉一些重要的边界框，特别是当这些边界框的置信度较高时。

Soft-NMS则是一种改进的NMS方法，它不是简单地删除那些IoU大于阈值的候选框，而是降低这些框的置信度。Soft-NMS通过一个函数来调整每个框的置信度，这个函数考虑了IoU值，对于那些原来置信度不高的Box，一打压，其置信度就会低于置信度门槛值，从而在后续的筛选中被过滤掉；而对于那些置信度很高的Box，即使打压，其置信度依然高，最后得以保留。Soft-NMS的IoU主要是用来打压Box的置信度的，以高斯函数举例，如果iou越大，则对Si的影响越大，使得Si越小，这样就更新了每个Box的Si的值。最终保留那些即使iou不是很高，同时置信度不是很低的Box。这种方法可以避免NMS中直接消除边界框的问题，从而保留更多有用的信息，有助于提高检测的召回率。

总的来说，Soft-NMS相对于传统的NMS来说，是一种更“柔软”的处理方式，它通过调整置信度而不是直接删除边界框，以期望获得更好的检测性能。Soft-NMS还有后续改进版Softer-NMS，其主要解决的问题是：当所有候选框都不够精确时该如何选择，当得分高的候选框并不更精确，更精确的候选框得分并不是最高时怎么选择。论文值得一看，本文不作更多的详解。