目錄
非極大值抑制(Non-Maximum Suppression,NMS)
評價指標
IOU：
Precison：描述查找一個目標的精準率。
Recall：描述查找一個目標的漏檢率。
將被正確識別的目標，稱爲True positives（TP）。將被正確識別的背景稱爲True negatives(TN)。(正確識別爲背景即沒有框)。定義被錯誤識別爲目標的背景爲False positives(FP)。被錯誤識別爲背景的目標稱爲False negatives(FN)
Precision=TP/(TP+FP) 所有識別爲目標的框中，正確框的概率
Recall=TP/(TP+FN) 所有目標(ground truth)中被正確識別的概率
Accuracy=(TP+TN)/(TP+FN+TN+FT) 所有檢測中，正確識別目標及背景的概率
mAP:
AP:
F1:
非極大值抑制(Non-Maximum Suppression,NMS)
（1） 絕大部分目標檢測器的核心是分類器，即給定一個尺寸固定圖片，分類器判斷是不是目標；
（2）將分類器進化爲檢測器的關鍵是：在原始圖像上從多個尺度產生窗口，並resize到固定尺寸，然後送給分類器做判斷。
最常用的方法是滑動窗口-》非極大值抑制NMS，抑制冗餘框-》一個object只保留一個最優的框
（1）將所有框的得分排序，選中最高分及其對應的框
（2）遍歷其餘的框，如果和當前最高分框的重疊面積(IOU)大於一定閾值，我們就將框刪除。
（3）從未處理的框中繼續選一個得分最高的，重複上述過程。
Soft-NMS:
適用於同類別互相遮擋、重合的情況，其實非常簡單。
NMS公式如下：
NMS缺點：
顯而易見，NMS容易將被遮擋的同類別物體抑制掉。圖中兩匹馬，但是預測得到的兩個框重合度比較大，即IOU較大，在NMS算法下，綠色框的置信度被置0，從而被抑制掉。
Soft-NMS公式如下：
線性：
Soft-NMS根據兩個框的IOU值來減小重疊框的置信度，而不是直接置0（就是再給他一個機會咯，不一棒子打死）。
上面公式是分段函數，在Nt時會發生突變，導致置信度有斷層，因此作者又提出用高斯函數，平滑置信度變化。就是下面這個公式。
實驗結果：（然並卵，兩個公式基本沒有差異）
Soft-NMS在two-stage方法如RCNN系列中的提升較大，在One-stage方法如YOLO,SSD 中提升較小（作者論文中提到對於SSD，YOLOv2僅提升0.5左右）。因爲two-stage中產生大量region proposal，soft-nms有較大的提升空間。
將Soft-nms用在YOLOv3中進行測試（待續）