NMS与Soft NMS
1.NMS
非最大抑制（Non-maximum suppression, NMS）是物体检测流程中重要的组成部分。NMS算法的大致思想：对于有重叠的候选框：若大于规定阈值（某一提前设定的置信度）则删除，低于阈值的保留。对于无重叠的候选框：都保留。根据这个设计，如果一个物体处于预设的重叠阈值之内，可能会导致检测不到该待检测物体。即当两个目标框接近时，分数更低的框就会因为与之重叠面积过大而被删掉。
举个例子，对于下图：
先假设有6个输出的矩形框，根据分类器类别分类概率做排序，从小到大分别属于车辆的概率分别为A、B、C、D、E、F。
(1)从最大概率矩形框F开始，分别判断A~E与F的重叠度IOU是否大于某个设定的阈值;
(2)假设B、D与F的重叠度超过阈值，那么就扔掉B、D；并标记第一个矩形框F，是我们保留下来的。
(3)从剩下的矩形框A、C、E中，选择概率最大的E，然后判断E与A、C的重叠度，重叠度大于一定的阈值，那么就扔掉；并标记E是我们保留下来的第二个矩形框。
就这样一直重复，找到所有被保留下来的矩形框。最终留下了C、E、F三个。
这种贪心式方法存在如下问题： 如果同一类别的2个物体距离较近，按照传统的NMS进行处理，得分稍低的物体会因为与另外一个重叠面积过大而被删掉。另一方面，NMS的阈值也不太容易确定，设小了会漏检，设置过高又容易增大误检。
2.Soft-NMS
思路：不要粗鲁地删除所有IOU大于阈值的框，而是降低其置信度，Soft NMS尤其对密集物体检测的检测效果有一定的提升作用．
Soft-NMS大致思路为：M为当前得分最高框，bi 为待处理框，bi 和M的IOU越大，bi 的得分si 就下降的越厉害。
伪代码如下：
NMS中：
Soft-NMS的改进有两种形式，：
（１）线性加权：
（２）高斯加权：
优势
它仅需要对传统的NMS算法进行简单的改动且不增额外的参数。Soft-NMS算法在标准数据集PASCAL VOC2007（较R-FCN和Faster-RCNN提升1.7%）和MS-COCO（较R-FCN提升1.3%，较Faster-RCNN提升1.1%）上均有提升。
Soft-NMS具有与传统NMS相同的算法复杂度，使用高效。
Soft-NMS不需要额外的训练，并易于实现，它可以轻松的被集成到任何物体检测流程中。
样例：
比如一张人脸上有3个重叠的bounding box, 置信度分别为0.9, 0.7, 0.85 。选择得分最高的建议框，经过第一次处理过后，得分变成了0.9, 065, 0.55（此时将得分最高的保存在D中）。这时候再选择第二个bounding box作为得分最高的，处理后置信度分别为0.65, 0.45（这时候3个框也都还在），最后选择第三个，处理后得分不改变。最终经过soft-nms抑制后的三个框的置信度分别为0.9, 0.65, 0.45。最后设置阈值，将得分si小于阈值的去掉。
Soft NMS仍然有问题：其阈值仍然需要手工设定。