李景琳，姜晶菲，窦 勇，许金伟，温 冬

(国防科技大学计算机学院,湖南 长沙 410073)

1 引言

21世纪，目标检测算法[1 - 5]作为计算机视觉领域的经典应用获得飞速发展，走向成熟。然而，大规模的存储和浮点运算限制了目标检测算法的广泛应用，如何将目标检测算法部署到功率、资源受限的实时边缘化检测系统中成为新的研究热点。通常，目标检测算法分为前处理、特征提取和后处理3个部分，其中后处理主要使用非极大值抑制算法NMS(Non-Maximum Suppression)去除卷积神经网络输出的冗余候选框，找到最佳的目标位置，提高检测的准确率。文献[6]的研究表明NMS在基于RPN+Fast-R-CNN网络的目标检测应用计算任务中占22%左右计算延迟，因此对NMS的量化与加速也很值得研究。

文献[7]中给出了最常用的Hard-NMS方法，将所有的候选框按得分值从高到低排序，选取得分值最高的候选框(本文称为靶候选框)，删除所有与靶候选框的重叠率超出阈值(本文设为Nt)的候选框，对未删除的候选框选取得分值最高的继续此操作。Hard-NMS是一种高复杂度的贪心算法，反复迭代计算候选框的重叠率给算法带来了巨大的延时。不仅如此，Hard-NMS是一种基于唯一固定阈值的方法，当图像中2个目标物体的重叠率大于Nt时，Hard-NMS会直接删除得分值较低的目标物体的候选框，导致检测精度受损。

针对这个问题，文献[8,9]提出了一些改进方法，其中文献[9]提出的Soft-NMS最为简单，与Hard-NMS中直接删除大于预定义阈值候选框的方法不同，Soft-NMS使用一个衰减函数逐步减小候选框得分值。……