YOLOv4中採用了DIoU-NMS 非極值抑制方法，本文就YOLOv4中涉及的Soft-NMS和DIoU-NMS方法做解讀學習。
Soft-NMS
論文：https://arxiv.org/abs/1704.04503
代碼：https://github.com/bharatsingh430/soft-nms
Pytorch版本：https://github.com/DocF/Soft-NMS
NMS是目標檢測中必備的後處理步驟，目的是用來去除重複框，留下最準確的box，如下圖所示。
NMS的僞代碼算法流程如下：
其中B是預測的框list，S是對應預測box的score分數list，N_t是IoU閾值。
- 找出score分數最高的M
- 將M從B中刪除
- 將刪除的M添加進最後的集合D(D和M合併)
- 將B中所有的box與M進行IoU計算，刪除B中 IoU > N_t的所有對應box
- 重複上面的步驟
最後D中的框就是保留下來的。s_i可表述爲：
在最後留下的框中，刪除掉低於score閾值的框，剩下的就是最終的預測框了。
可以看到，NMS的處理方法過於粗暴，即將與M的IoU大於某個閾值的box直接置其score爲0，這不是抹掉了這個box框柱其它物體的可能性了嗎（漏檢，召回率低）？
那能不能溫柔一點，不是直接置0而是降低分數呢？
Soft-NMS即是這樣的操作。Soft-NMS的僞代碼流程如下：
可以看到，Soft-NMS與傳統NMS的區別在於對score分數調整的處理。如果是傳統的NMS操作，那麼當B中的b_i和M的IoU值大於閾值N_t，那麼就從B和S中去除該box；對於Soft-NMS而言是先計算M與b_i的IoU，然後IoU經過一個函數輸出最後與s_i相乘最終得到box的分數。
其中s_i的score遵循IoU越大，分數越低的原則（IoU越大，越可能是背景），所以s_i定義如下：
考慮到上式是不連續的，並且當達到N_t的NMS閾值時會施加突然的懲罰， 如果懲罰函數是連續的，那將是理想的，否則它可能導致檢測結果的排序列表的突然改變（集合D中的score出現斷層跳躍現象）。所以s_i的更新公式修改爲如下：
這樣就避免了檢測結果中的score會出現突然間的跳躍現象。
參考：
https://blog.csdn.net/Gentleman_Qin/article/details/84448155
https://arxiv.org/pdf/1704.04503.pdf
DIoU-NMS
論文：https://arxiv.org/pdf/1911.08287.pdf
代碼：https://github.com/Zzh-tju/DIoU-darknet
DIoU-NMS需要了解DIoU，它兩在同一篇論文被提出，關於DIoU知識請移步：目標檢測中的迴歸損失函數系列四：DIoU Loss / CIoU Loss
在傳統NMS中，IoU指標常用於抑制冗餘檢測盒，其中重疊區域是唯一因素，對於遮擋情況經常產生錯誤抑制。 DIoU-NMS將DIoU作爲NMS的準則，因爲在抑制準則中不僅應考慮重疊區域，而且還應考慮兩個box之間的中心點距離，而DIoU就是同時考慮了重疊區域和兩個box的中心距離。 對於score最高的預測box M，可以將DIoU-NMS的s_i更新公式正式定義爲:
其中通過同時考慮IoU和兩個box的中心點之間的距離來刪除box B_i，s_i是分類得分，ε是NMS閾值。DIoU-NMS建議兩個中心點較遠的box可能位於不同的對象上，不應將其刪除(這就是DIoU-NMS的與NMS的最大不同之處)。
如圖所示，對於每個閾值，DIoU-NMS都比傳統NMS更好。 此外，值得注意的是，即使DIoU-NMS的性能最差，也至少可以與原始NMS的性能相媲美或更好。 也就是說，即使不小心調整閾值ε，DIoU-NMS通常也可以比原始NMS更好（最差的也比你最好的好）。
參考：
https://blog.csdn.net/c2250645962/article/details/106071294
https://cloud.tencent.com/developer/article/1596428