NMS 是 one-stage 和 two-stage 目標檢測任務中常用的壹種後處理方法，用來過濾無效重疊的檢測框。
NMS 全稱非極大值抑制，出自 ICPR2006 的論文 《Efficient Non-Maximum Suppression》 。其基本思想很簡單，就是保留局部最大值而去除局部非最大值。
NMS 對所有的類別的檢測框進行循環過濾。對於某個類別 C ，首先對這些矩形框按照概率降序排列，選中概率最大的框作為候選框，對於剩下的框，依次與候選框求 IOU ，如果 IOU 大於某個閾值（超參），則將這些框丟棄（置0），並標記保留最大概率框。
以此類推，最終所有的框相互之間的 IOU 都是小於超參閾值的，或者概率被置為 0 了。剩下的所有概率非0的框就是最終的檢測框。
基於這種計算邏輯的 NMS 有兩個缺點。首先， NMS 算法需要壹個超參即 IOU Threshold ，這個閾值在不同任務中很難平衡。其次， NMS 會將相鄰或者重疊的兩個物體對應的兩個大概率目標框去掉壹個，造成漏檢。
實現：
Soft-NMS 出自 CVPR2017 的論文 《Improving Object Detection With One Line of Code》 ，對 NMS 做了壹些改進。
Soft-NMS 總體算法流程同 NMS 相同，主要差別循環過程中對閾值的判斷部分。 NMS 是簡單的對 IOU 大於閾值的檢測框進行刪除出來，而 Soft-NMS 則是通過權重來降低檢測框原有的置信度。對於有重疊的框，重疊區域越大，置信度衰減越嚴重。
Soft-NMS 計算降低置信度的權重常用兩種方法：線性法和高斯法。
線性法：
高斯法：
實現如下，方法 1 為線性法，方法 2 為高斯法，其他參數的話 Soft-NMS 退化為 NMS ：
模擬的 5 個候選框：
實驗可以看出，在相同 IOU 閾值的情況下， Soft-NMS 相比 NMS 保留了壹個檢測結果，這在同類別物體重疊的情況下能夠提升其召回率。但是 Soft-NMS 又多引入了壹個超參，這個參數的設置也會顯著影響後處理的結果；而且，由於 Soft-NMS 在每次叠代都會修改 score 值，其最大值是在動態變化的需要在每次叠代都尋找壹次，因此 Soft-NMS 相比 NMS 計算效率有所降低。