本文主要是介绍Adaptive NMS: Refining Pedestrian Detection in a Crowd，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
这两年不少人在做NMS的优化工作。NMS是检测的后处理工作，在RCNN系列算法中，会从一张图片中找出很多个候选框（可能包含物体的矩形边框），NMS就是去除冗余矩形框的过程。具体流程如下：
对于Bounding Box的列表B及其对应的置信度S,采用下面的计算方式.选择具有最大score的检测框M,将其从B集合中移除并加入到最终的检测结果D中.通常将B中剩余检测框中与M的IoU大于阈值Nt的框从B中移除.重复这个过程,直到B为空。
我们发现这个流程中阈值Nt很重要， 以前的检测工作中Nt是一个固定值， 这个不是很合理， 因为实际上存在一些物体的gt矩形框重叠（稠密物体场景）， 这样NMS中很可能会把正确的框剔除掉。 那么我们会想：把这个Nt增大不就好了， 可数据集中稀疏场景下，较大的阈值会放掉一些False positive， 这样也不是我们想要的结果。 自然地， 我们想要的是这个阈值自适应的改变：稠密场景下增大， 稀疏场景下减小。
ICCV17 soft NMS的工作：
根据iou来改变检测的分数， 小于阈值时， 分数不变， 大于阈值时， 减小对应的分数。 这里的改进就是减少分数而不是完全置零。 f的具体形式可以是：
本文继续优化soft nms， 先估计场景的稠密程度（在RPN上的一个子网络）：
再设置对应阈值， 根据阈值计算分数：
其实感觉变动不是很大， 但是网络不一定好调试不来。 具体网络细节没有太大兴趣了解。
小结：
a. 检测的整个流程中各个环节都有可以提升的空间， 同理其他任务也是如此， 分析这些环节中存在那些不够完善的点， 想办法改进；
b. 不用担心一定要做出多大变动才能叫创新， 科研本来就是一点点的探索， 一点改进如果是扎实的， 那么它就有自己的价值。
这篇关于Adaptive NMS: Refining Pedestrian Detection in a Crowd的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
