原博客地址：https://blog.csdn.net/u014380165/article/details/79502197#comments
提出问题
如下图，测算法本来应该输出两个框，但是传统的NMS算法可能会把score较低的绿框过滤掉（如果绿框和红框的IOU大于设定的阈值就会被过滤掉），导致只检测出一个object（一个马），显然这样object的recall就比较低了。
可以看出NMS算法是略显粗暴（hard），因为NMS直接将和得分最大的box的IOU大于某个阈值的box的得分置零，那么有没有soft一点的方法呢（不将它直接变为0，而是将其变小一点）？这就是本文提出Soft NMS。
Soft NMS
具体以什么方法将其变小呢，如果是传统的NMS操作，那么box bi和M的IOU值大于阈值Nt，那么就去除该box，及这个box bi的分数变为0；如果是Soft NMS，则对于box bi也是先计算其和M的IOU，然后该IOU值作为函数f()的输入，最后和box bi的score si相乘作为最后该box bi的score
NMS算法可以用下面的式子表示： ，其中就是当前box bi 的score
为了改变NMS这种hard threshold做法，并遵循iou越大，得分越低的原则（iou越大，越有可能是false positive），自然而然想到可以用下面这个公式来表示Soft NMS：
但是上面这个公式是不连续的，这样会导致box集合中的score出现断层，因此就有了下面这个Soft NMS式子（也是大部分实验中采用的式子）：