本文主要貢獻(xiàn)
（1）提出adaptive-NMS，可以根據(jù)目標(biāo)密度動態(tài)改變實例中的抑制閾值；
（2）設(shè)計了一個Density-subnet用來學(xué)習(xí)密度分?jǐn)?shù)，可以方便的嵌入single-stage和two-stage模型中；
（3）實現(xiàn)了CityPersons和CrowdHuman數(shù)據(jù)集的sota結(jié)果。
Greedy-NMS
操作步驟：
（1）得到一組檢測框集合B+對應(yīng)的分?jǐn)?shù)集合S；
（2）從B中選著分?jǐn)?shù)最高的框M移除，放到目標(biāo)集合F中；
（3）移除B中所有與M的IoU大于設(shè)定閾值Nt的框，并移除S中對應(yīng)的分?jǐn)?shù)；
（4）重復(fù)步驟（2）~（3）。
存在的問題：
Nt設(shè)置較低，miss rate增大，true positives可能被移除；
Nt設(shè)置較高，盡管高覆蓋的true positives可以被保留，但false posives也會增加。
soft-NMS
解決方案：
將抑制步驟（3）改為使用重打分函數(shù)抑制
其中f函數(shù)是一個overlap的函數(shù)：
greedy-NMS中f恒等于0，即當(dāng)bi與M的IoU大于Nt時，移除bi；
soft-NMS中f會隨著IoU的增大減小si分?jǐn)?shù)，即當(dāng)bi與M的IoU大于Nt時，f=1-IoU或者f=exp(-IoU^2/σ)；
實質(zhì)時通過soft懲罰項抑制M周圍bi的分?jǐn)?shù)si。
存在的問題：
在目標(biāo)密集區(qū)域，與M高覆蓋的bi雖然是true positives的可能性很大，但是仍然受到很大的懲罰。
Adaptive-NMS
修正策略：
其中Nm代表adptive-NMS中M的抑制閾值，dM是M的目標(biāo)密度
將抑制策略分成三類進(jìn)行討論：
（1）當(dāng)鄰框遠(yuǎn)離M時（即IoU<Nt），保持si不變；
（2）當(dāng)M處于密集區(qū)域時（即Nm>Nt），目標(biāo)密度dM作為NMS的抑制閾值；
（3）當(dāng)M處于稀疏區(qū)域時（即Nm≤Nt），初始閾值Nt作為NMS的抑制閾值。
Density Prediction
adaptive-NMS保持著greedy-NMS和soft-NMS的效率，但多了一步目標(biāo)密度的預(yù)測，本文設(shè)計了一個Density-subnet對目標(biāo)密度進(jìn)行回歸預(yù)測。
因為檢測器的輸出特征只包含目標(biāo)本身的信息，也就是語義特征和位置，難以直接進(jìn)行目標(biāo)密度的預(yù)測。
本文首先使用1*1卷積層降維，然后與objectness和bounding boxes兩層進(jìn)行concatenate，作為Density-subnet的輸入，此方法對one-stage和two-stage檢測器均適用。
實驗
