YOLOv4中采用了DIoU-NMS 非极值抑制方法，本文就YOLOv4中涉及的Soft-NMS和DIoU-NMS方法做解读学习。
Soft-NMS
论文：https://arxiv.org/abs/1704.04503
代码：https://github.com/bharatsingh430/soft-nms
Pytorch版本：https://github.com/DocF/Soft-NMS
NMS是目标检测中必备的后处理步骤，目的是用来去除重复框，留下最准确的box，如下图所示。
NMS的伪代码算法流程如下：
其中B是预测的框list，S是对应预测box的score分数list，N_t是IoU阈值。
- 找出score分数最高的M
- 将M从B中删除
- 将删除的M添加进最后的集合D(D和M合并)
- 将B中所有的box与M进行IoU计算，删除B中 IoU > N_t的所有对应box
- 重复上面的步骤
最后D中的框就是保留下来的。s_i可表述为：
在最后留下的框中，删除掉低于score阈值的框，剩下的就是最终的预测框了。
可以看到，NMS的处理方法过于粗暴，即将与M的IoU大于某个阈值的box直接置其score为0，这不是抹掉了这个box框柱其它物体的可能性了吗（漏检，召回率低）？
那能不能温柔一点，不是直接置0而是降低分数呢？
Soft-NMS即是这样的操作。Soft-NMS的伪代码流程如下：
可以看到，Soft-NMS与传统NMS的区别在于对score分数调整的处理。如果是传统的NMS操作，那么当B中的b_i和M的IoU值大于阈值N_t，那么就从B和S中去除该box；对于Soft-NMS而言是先计算M与b_i的IoU，然后IoU经过一个函数输出最后与s_i相乘最终得到box的分数。
其中s_i的score遵循IoU越大，分数越低的原则（IoU越大，越可能是背景），所以s_i定义如下：
考虑到上式是不连续的，并且当达到N_t的NMS阈值时会施加突然的惩罚， 如果惩罚函数是连续的，那将是理想的，否则它可能导致检测结果的排序列表的突然改变（集合D中的score出现断层跳跃现象）。所以s_i的更新公式修改为如下：
这样就避免了检测结果中的score会出现突然间的跳跃现象。
参考：
https://blog.csdn.net/Gentleman_Qin/article/details/84448155
https://arxiv.org/pdf/1704.04503.pdf
DIoU-NMS
论文：https://arxiv.org/pdf/1911.08287.pdf
代码：https://github.com/Zzh-tju/DIoU-darknet
DIoU-NMS需要了解DIoU，它两在同一篇论文被提出，关于DIoU知识请移步：目标检测中的回归损失函数系列四：DIoU Loss / CIoU Loss
在传统NMS中，IoU指标常用于抑制冗余检测盒，其中重叠区域是唯一因素，对于遮挡情况经常产生错误抑制。 DIoU-NMS将DIoU作为NMS的准则，因为在抑制准则中不仅应考虑重叠区域，而且还应考虑两个box之间的中心点距离，而DIoU就是同时考虑了重叠区域和两个box的中心距离。 对于score最高的预测box M，可以将DIoU-NMS的s_i更新公式正式定义为:
其中通过同时考虑IoU和两个box的中心点之间的距离来删除box B_i，s_i是分类得分，ε是NMS阈值。DIoU-NMS建议两个中心点较远的box可能位于不同的对象上，不应将其删除(这就是DIoU-NMS的与NMS的最大不同之处)。
如图所示，对于每个阈值，DIoU-NMS都比传统NMS更好。 此外，值得注意的是，即使DIoU-NMS的性能最差，也至少可以与原始NMS的性能相媲美或更好。 也就是说，即使不小心调整阈值ε，DIoU-NMS通常也可以比原始NMS更好（最差的也比你最好的好）。
参考：
https://blog.csdn.net/c2250645962/article/details/106071294
https://cloud.tencent.com/developer/article/1596428