·1008· 智能系统学报 第15卷 样即便两个检测框之间的IOU值较大，置信度较 低的检测框也会得到保留，只是置信度值降低而 不是直接过滤。 So-NMS置信度分段抑制策略： Uou (M,b)<N, s={xd-Uu(M.b》.UaM.b)≥N (2) 1.2阈值对NMS算法的影响 前文中我们提到，无论是NMS还是Soft- NMS以及Softer-.NMS算法，最终都需要设定一个 固定阈值进行过滤，对阈值的设定具有很大的依 (a)NMS中的漏检 赖性，阈值设定得是否合理会对算法的性能产生 很大的影响。表1为在相同实验条件下，NMS、 Soft-NMS、Softer-NMS在不同阈值之下的检测精 度(mAP,mean average precision)。从表l中可以 看到，随着阈值的变化，这3种算法的mAP都会 发生明显变化，且性能最优点对应的阈值并不相 同，在实际应用中需要根据数据以及模型，通过 大量实验进行调整。图3为在不同阈值下NMS 算法针对一幅图像检测框的过滤结果，通过图3 可以看到，阈值的调整会在很大程度上影响算法 (b)NMS中的误检 实际应用效果。 图1NMS算法中的漏检和误检 表1阈值对NMS、Soft-NMS以及Softer-.NMS算法的 Fig.1 Leak and error detection in NMS 影响 Table 1 Influence of threshold on NMS,Soft-NMS and NMS算法对于置信度抑制策略是： Softer-NMS Sis Uiou (M,bi)<N. 5= (1) 阈值 0,Uiou(M,b)≥Ng 算法 0.3 0.35 0.4 0.45 0.5 当两个检测框距离非常近的时候，其中分数 NMS 73.6 74.0 74.8 75.4 74.1 较低的框很可能因为与当前得分最高的框之间 Soft-NMS 73.8 74.5 75.9 75.2 74.6 的IOU值高于阈值而被抑制，置信度直接置为0， Softer-NMS 73.4 73.7 74.5 74.8 74.0 这样就会造成漏检问题（图2）。 (a)阈值0.3 (b)阈值0.5 (c)阈值0.7 图3阈值不同带来的性能差异 Fig.3 Performance differences due to different thresholds 2非极大值抑制阈值自动选取方法 如上所述，传统的NMS算法存在误检和漏检 图2阈值设定不合理导致的漏检问题 问题，改进算法Soft-NMS虽然在一定程度上缓解 Fig.2 Leak detection caused by improper threshold 了漏检问题，但是仍然依赖人为规定阈值，需要 针对漏检问题的出现，近年来产生了很多对 进行大量实验进行调整。因此，本文提出了基于 于NMS算法的改进。经典的Soft-NMS采用衰减 F1值（式(3）)的非极大值抑制阈值自动选取方 函数来衰减检测框的分值，而不是直接置为0，这 法，每幅图像根据图像中物体密度选择对应的过(a) NMS 中的漏检 (b) NMS 中的误检 图 1 NMS 算法中的漏检和误检 Fig. 1 Leak and error detection in NMS NMS 算法对于置信度抑制策略是： si =    si , UIoU (M,bi) < Nt 0, UIoU (M,bi) ⩾ Nt (1) 当两个检测框距离非常近的时候，其中分数 较低的框很可能因为与当前得分最高的框之间 的 IOU 值高于阈值而被抑制，置信度直接置为 0， 这样就会造成漏检问题 (图 2)。 图 2 阈值设定不合理导致的漏检问题 Fig. 2 Leak detection caused by improper threshold 针对漏检问题的出现，近年来产生了很多对 于 NMS 算法的改进。经典的 Soft-NMS 采用衰减 函数来衰减检测框的分值，而不是直接置为 0，这 样即便两个检测框之间的 IOU 值较大，置信度较 低的检测框也会得到保留，只是置信度值降低而 不是直接过滤。 Soft-NMS 置信度分段抑制策略： si = { si , UIoU (M,bi) < Nt si ×(1−UIoU (M,bi)), UIoU (M,bi) ⩾ Nt (2) 1.2 阈值对 NMS 算法的影响 前文中我们提到，无论是 NMS 还是 Soft￾NMS 以及 Softer-NMS 算法，最终都需要设定一个 固定阈值进行过滤，对阈值的设定具有很大的依 赖性，阈值设定得是否合理会对算法的性能产生 很大的影响。表 1 为在相同实验条件下，NMS、 Soft-NMS、Softer-NMS 在不同阈值之下的检测精 度 (mAP, mean average precision)。从表 1 中可以 看到，随着阈值的变化，这 3 种算法的 mAP 都会 发生明显变化，且性能最优点对应的阈值并不相 同，在实际应用中需要根据数据以及模型，通过 大量实验进行调整。图 3 为在不同阈值下 NMS 算法针对一幅图像检测框的过滤结果，通过图 3 可以看到，阈值的调整会在很大程度上影响算法 实际应用效果。 表 1 阈值对 NMS、Soft-NMS 以及 Softer-NMS 算法的 影响 Table 1 Influence of threshold on NMS, Soft-NMS and Softer-NMS 算法 阈值 0.3 0.35 0.4 0.45 0.5 NMS 73.6 74.0 74.8 75.4 74.1 Soft-NMS 73.8 74.5 75.9 75.2 74.6 Softer-NMS 73.4 73.7 74.5 74.8 74.0 (a) 阈值0.3 (b) 阈值0.5 (c) 阈值0.7 图 3 阈值不同带来的性能差异 Fig. 3 Performance differences due to different thresholds 2 非极大值抑制阈值自动选取方法 如上所述，传统的 NMS 算法存在误检和漏检 问题，改进算法 Soft-NMS 虽然在一定程度上缓解 了漏检问题，但是仍然依赖人为规定阈值，需要 进行大量实验进行调整。因此，本文提出了基于 F1 值 (式 (3)) 的非极大值抑制阈值自动选取方 法，每幅图像根据图像中物体密度选择对应的过 ·1008· 智 能 系 统 学 报 第 15 卷