非极大值抑制（Non-max suppression）
非极大值抑制，简称为NMS算法，英文为Non-Maximum Suppression。其思想是搜素局部最大值，抑制极大值。非极大值抑制，在计算机视觉任务中得到了广泛的应用，例如边缘检测、人脸检测、目标检测（DPM，YOLO，SSD，Faster R-CNN）等。
目标检测的过程中在同一目标的位置上会产生大量的候选框，这些候选框相互之间可能会有重叠，此时我们需要利用非极大值抑制找到最佳的目标边界框，消除冗余的边界框。
左图是人脸检测的候选框结果，每个边界框有一个置信度得分(confidence score)，如果不使用非极大值抑制，就会有多个候选框出现。右图是使用非极大值抑制之后的结果，符合我们人脸检测的预期结果。
非极大值抑制的流程如下：
-
根据置信度得分进行排序
-
选择置信度最高的边界框添加到最终输出列表中，将其从边界框列表中删除
-
计算置信度最高的边界框与其它候选框的IoU
-
删除IoU大于阈值的边界框
-
重复上述过程，直至边界框列表为空。
Soft-NMS:
NMS的问题：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，太简单粗暴。
解决：相邻区域内的检测框的分数进行调整而非彻底抑制，从而提高了高检测率情况下的准确率。
上图是Soft NMS算法的伪代码如果是传统的NMS操作，那么当B中的box bi和M的IOU值大于阈值Nt，那么就从B和S中去除该box；如果是Soft NMS，则对于B中的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的 f 函数：
- soft-nms 的 f 函数：
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）