[论文解读] Improving Object Detection With One Line of Code.

Navaneeth Bodla, Bharat Singh+2 more|arXiv (Cornell University)|Apr 14, 2017

Advanced Neural Network Applications参考文献 20被引用 95

一句话总结

本文提出 Soft-NMS，一种对非极大值抑制（NMS）的简单而有效的改进方法，通过基于 IoU 重叠的分数衰减替代硬性抑制，使 PASCAL VOC 2007 和 MS-COCO 上的 mAP 提升 1.1–1.7%，且无需额外训练或超参数调整。该方法在保持与标准 NMS 相同计算复杂度的同时，消除了严格基于 IoU 抑制带来的误检。

ABSTRACT

Non-maximum suppression is an integral part of the object detection pipeline. First, it sorts all detection boxes on the basis of their scores. The detection box M with the maximum score is selected and all other detection boxes with a significant overlap (using a pre-defined threshold) with M are suppressed. This process is recursively applied on the remaining boxes. As per the design of the algorithm, if an object lies within the predefined overlap threshold, it leads to a miss. To this end, we propose Soft-NMS, an algorithm which decays the detection scores of all other objects as a continuous function of their overlap with M. Hence, no object is eliminated in this process. Soft-NMS obtains consistent improvements for the coco-style mAP metric on standard datasets like PASCAL VOC 2007 (1.7\% for both R-FCN and Faster-RCNN) and MS-COCO (1.3\% for R-FCN and 1.1\% for Faster-RCNN) by just changing the NMS algorithm without any additional hyper-parameters. Further, the computational complexity of Soft-NMS is the same as traditional NMS and hence it can be efficiently implemented. Since Soft-NMS does not require any extra training and is simple to implement, it can be easily integrated into any object detection pipeline. Code for Soft-NMS is publicly available on GitHub \url{http://bit.ly/2nJLNMu}.

研究动机与目标

• 解决传统 NMS 的局限性，即即使检测框重叠有效也予以丢弃，导致漏检。
• 在不需额外训练或超参数调优的情况下，提升目标检测的平均平均精度（mAP）。
• 设计一种简单、高效且与现有目标检测流水线兼容的方法。
• 用基于交并比（IoU）的连续可微分数衰减机制替代 NMS 中的硬性抑制。

提出的方法

• 不再移除所有 IoU 超过阈值的框，而是根据其与最高分框的重叠程度，通过连续函数降低其检测分数。
• 在选中最高分框后，对剩余框递归应用分数衰减函数。
• 衰减函数定义为 IoU 的高斯或线性函数，重叠越高，分数减少越多。
• 该算法保持与标准 NMS 相同的 O(n log n) 时间复杂度，确保高效部署。
• Soft-NMS 完全向后兼容，可仅通过一行代码轻松集成到任意目标检测器中。
• 该方法无需微调或额外超参数，可即插即用，适用于现有模型。

实验结果

研究问题

• RQ1 与标准 NMS 中的硬性抑制相比，连续分数衰减机制是否能提升目标检测的 mAP？
• RQ2 Soft-NMS 是否在减少因严格 IoU 阈值导致的误检的同时，保持计算效率？
• RQ3 Soft-NMS 是否可普遍应用于 Faster R-CNN 和 R-FCN 等不同检测器而无需重新训练？
• RQ4 Soft-NMS 在 PASCAL VOC 2007 和 MS-COCO 等标准基准上的表现如何？

主要发现

• 在 PASCAL VOC 2007 上，Soft-NMS 使 Faster R-CNN 和 R-FCN 的 mAP 提升 1.7%。
• 在 MS-COCO 上，Soft-NMS 使 R-FCN 的 mAP 提升 1.3%，Faster R-CNN 的 mAP 提升 1.1%。
• 性能增益在多个检测器上保持一致，证明其广泛适用性。
• 该方法在无需任何额外训练或超参数调优的情况下实现这些增益。
• Soft-NMS 保持与标准 NMS 相同的 O(n log n) 计算复杂度，确保效率。
• 代码已公开，可立即集成到现有检测流水线中。