1: 研究背景
经典的NMS使用阈值的方式对iou过大的框进行抑制，也就是当IOU高于阈值时，相应框的分数会被直接置0。这种方式简单粗暴，可能会出现目标框漏检的情况。
为了解决这个问题，softNMS在IOU高于阈值的时候，并没有将相应框的分数直接置0，而是通过IOU对相应框的分数进行惩罚，惩罚方式如下:
然而这种方式基于分段函数，还是有点硬，因此作者又提出了一种高斯函数的方式对框的分数进行评估，评估方式如:
2: 源码
def nms(dets, , sigma=0.5, nms_threshold=0.7, soft_threshold=0.1, method=1):
"""
dets:数据维度为[n,5],n表示总共有n条数据，5表示：score，x1,y1,x2,y2；
thresh：IOU阈值
"""
if dets.shape[0] == 0:
return dets[[], :]
scores = dets[:, 0]
x1 = dets[:, 1]
y1 = dets[:, 2]
x2 = dets[:, 3]
y2 = dets[:, 4]
#areas上有n个区域的面积
areas = (x2 - x1 + 1) * (y2 - y1 + 1)
#order返回的是score的逆序排序的索引
order = scores.argsort()[::-1]
#获取总共有多少个框
ndets = dets.shape[0]
#标记框是否保留
suppressed = np.zeros((ndets), dtype=np.int)
#遍历所有的框
for _i in range(ndets):
#获取分数排在_i的是第几个框
i = order[_i]
#标记为舍去的框没必要再考虑了
if suppressed[i] == 1:
continue
#获取第i个框的坐标，i是相对于原始的dets
ix1 = x1[i]
iy1 = y1[i]
ix2 = x2[i]
iy2 = y2[i]
#获取第i个框的面积
iarea = areas[i]
#与剩下所有的框求IOU
for _j in range(_i + 1, ndets):
j = order[_j]
if suppressed[j] == 1:
continue
xx1 = max(ix1, x1[j])
yy1 = max(iy1, y1[j])
xx2 = min(ix2, x2[j])
yy2 = min(iy2, y2[j])
score_j = scores[j]
w = max(0.0, xx2 - xx1 + 1)
h = max(0.0, yy2 - yy1 + 1)
inter = w * h
#求取IOU
iou= inter / (iarea + areas[j] - inter)
if method == 1: # 线性更新分数
if iou > nms_threshold:
weight = 1 - iou
else:
weight = 1
elif method == 2: # 高斯权重
weight = np.exp(-(iou * iou) / sigma)
else: # 传统 NMS
if iou > nms_threshold:
weight = 0
else:
weight = 1
score_j = weight * score_j # 根据iou来更新分数
# 如果box分数太低
if score_j < soft_threshold:
suppressed[j] = 1
#获取保留框的索引
keep = np.where(suppressed == 0)[0]
#提取保留的框
dets = dets[keep, :]
return dets
