一、问题描述

   在目标检测任务中，一张图片的的单个目标框可能会被其他目标框覆盖，目标框的堆叠度就是描述这种现象的指标，值越大表示被其他框覆盖的越多，检测模型对于具有不同堆叠度数据集的检测效果是不一样的，下图表示的是含有比较多重叠框的场景，那么如果降低模型对于堆叠度的敏感程度呢，下面对相关的技术进行介绍。

图1 多重叠框的场景示例

二、解决方法

       NMS在模型推理阶段是利用物体之间的IoU以及相应的阈值进行处理，那么就会出现重叠度比较高的多个物体不能检测出来的问题，传统的检测模型中的NMS处理流程如下所示，其中B表示检测的框：

1.  输入：B={(Bi, Si )}_(i=1 to N), 其中Si是Bi的得分；D=∅  
2.  Step 1    B中选择最大得分框M  
3.  Step 2    将M以及得分添加到D中，同时在B中删掉M以及其得分  
4.  Step 3    for Bi in B:  
5.             if  IoU(M, Bi) >= NMS_threshold  
6.                  在B中去掉Bi以及其得分  
7.              end if  
8.            end for  
9.  Step 4 重复Step 1 ~ 3，直至B=∅  
10. 输出：D

  传统的NMS的缺点有以下几个方面：

1）依据NMS的阈值暴力删除框，大于阈值的框全部去除，这种筛选规则比较严格，公式如下，其中si表示类别预测概率

2）关键的计算在于IoU，即两个框的重叠部分，两个框的其他位置关系没有考虑全面。

     Soft NMS采用一种更为平滑的筛选规则，修正传统的NMS的暴力去除机制如下：

另外的一种高斯表达

那么soft NMS就可以减小目标检测模型对于目标框堆叠度的敏感程度

三、实验验证

下面在开源水果数据集fruit上面进行验证，下图是使用soft NMS之前的目标框堆叠度敏感程度分析

图2 使用soft NMS之前的目标框重叠的特征敏感度分析

其中特征值分布表示将整个数据集堆叠度按照百分比区间进行划分，而对应的值则是召回率。可以看见banana的敏感度在0.3811。

下面的图是使用了soft  NMS之后，目标框堆叠度敏感程度的变化，可以看到banana类别对于目标框的堆叠度的敏感程度降低，从0.3811降到了0.2487，从而验证了该算法能够在目标框重叠方面优化模型。

图3 使用soft NMS之后的目标框重叠的特征敏感度分析

四、用户建议

在模型推理结果中，如果检测出来的类别对于目标框堆叠度的敏感程度比较大，推荐在训练以及推理的时候，使用soft NMS进行模型优化和加强。