soft-nms论文笔记

文章目录

• 研究背景
  • 创新之处
  • 基于KL损失函数的边界框回归方法
  • 更柔和的非极大值抑制技术
  • 实验数据与分析
  • 文献综述

《Softer-NMS: 对目标检测中边界框回归方法的重新思考》

• 引言：卡内基梅隆大学与Face++团队联合研究
• arXiv：https://arxiv.org/abs/1809.08545
• github：https://github.com/yihui-he/softer-NMS
• 推荐论文标题：Softer-NMS: 对目标检测中边界框回归方法的重新思考

背景

以下是对NMS与Soft-NMS的简要回顾：

NMS的原理相对容易理解，其核心在于对与特定类别中置信度最高的BBS具有较高重叠度（IoU）的其他BBS进行统计，随后依据设定的IoU阈值对这些BBS的置信度进行评估。当IoU超过预设阈值时，对应的置信度将被调整为0；而若未达到该阈值，则保持原有置信度不变。

![在这里插入图片描述](https://cdl.itadn.com