NMS

1.只用于预测，不用于训练；
2.在每一类的所有box中进行筛选；
3.IOU太大则被删除。
公式：

Soft-NMS

1.不要直接地删除所有IOU大于阈值的框，而是降低其置信度；
2.分数降低常用两种方法：线性法和高斯法。
线性法：

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（而不是直接置零）。但该式并不是一个连续的函数，当一个边框与M的IoU超过阈值Nt时，其得分会发生跳变，这种跳变会对检测结果产生较大的波动。
高斯法：

基于学习的算法

上述算法仍会存在如下问题：
1.只依赖分类得分，可能会筛选出box分高但是位置不太准的边框；
2.对于一个真实物体，当所有的预测边框都不准时，该如何选择？

以下方法能提升定位准确度：

Softer-NMS

1.新增加了一个定位置信度的预测，使得高分类置信度的边框位置变得更加准确；
2.提出了一种基于KL（Kullback- Leibler）散度的边框回归损失函数KL loss。

IOU-Net

1.增加了一个 IoU分支，其能预测检测到的边界框和它们对应的真实目标框之间的 IoU；
2.引入了精准池化层（Pr池化），代替了POIpooling；
3.引入定位置信度。