【论文笔记 detection】soft-nms: Improving Object Detection With One Line of Code

前言

soft-nms: Improving Object Detection With One Line of Code 发表在ICCV 2017，在写本文之前的引用量为285。

参考内容如下：

• [paper]
• [Soft NMS算法笔记]

文章目录

• 前言
• 文章内容
• 1. NMS存在什么问题？
• 2. Soft-NMS算法
• 3. 实验结果
• 4. 实战效果
• 总结

文章内容

1. NMS存在什么问题？

从图1可以看出，检测算法本来检测到两个框，但是经过传统的NMS处理后，会把较低置信度的绿色框过滤掉，导致只检测到一个目标，降低了检测的召回率。

复习召回率
真正例/真阳性(True Positive, TP)：指被分类器正确分类的正元组。令TP为真正例的个数。
真负例/真阴性(True Negative, TN)：指被分类器正确分类的负元组。令TN为真负例的个数。
假正例/假阳性(False Positive, FP)：指被分类器错误标记为正元组的负元组。令FP为假正例的个数。
假负例/假阴性(False Negative, FN)：指被分类器错误标记为负元组的正元组。令FN为假负例的个数。
召回率(recall) = TP/(TP+FN)
精确率(precision) = TP/(TP+FP)

2. Soft-NMS算法

3. 实验结果

4. 实战效果

总结