NMS：Non-Maximum Suppression
NMS，称为非极大值抑制，是目标检测框架中的后处理模块，主要用于删除高度冗余的bbox。 在目标检测的过程中，对于每个obj在检测的时候回产生多个bbox，NMS的本质就是对每个obj的多个bbox去冗余，得到最终的检测结果。
对于检测任务，NMS是一个必需的部件，其为对检测结果进行冗余去除操作的后处理算法。标准的NMS为手工设计的，基于一个固定的距离阈值进行贪婪聚类，（greedily accepting local maxima and discarding their neighbours）即贪婪地选取得分高的检测结果并删除那些超过阈值的相邻结果，使得在recall和precision之间取得权衡。之前的相关工作大多都是利用NMS作为后处理操作。
Soft-NMS：Improving Object Detection With One Line of Code
不同于在NMS中采用单一阈值，对与最大得分检测结果M超过阈值的结果进行抑制，其主要考虑Soft-NMS，对所有目标的检测得分以相应overlap with M的连续函数进行衰减。其伪代码如下： ConvNMS:A Convnet for Non-maximum Suppression 其主要考虑IoU阈值设定得高一些，则可能抑制得不够充分，而将IoU阈值设定得低一些，又可能多个ture positive被merge到一起。其设计一个卷积网络组合具有不用overlap阈值的greedyNMS的结果，通过学习的方法来获得最佳的输出。其基础框架如下：
Pure NMS Network ：Learning non-maximum suppression
考虑目标间具有高遮挡的密集场景，其提出一个新的网络架构来执行NMS。经分析，检测器对于每个目标仅产生一个检测结果有两个关键点是必要的，一个是loss惩罚double detections以告诉检测器我们对于每个目标仅需一个检测结果，二是相邻检测结果的joint processing以使得检测器具有必要的信息来分辨一个目标是否被多次检测。论文中提出Gnet，其为第一个“pure”NMS网络。Gnet图如下： Yes-Net: An effective Detector Based on Global Information
不同于NMS，其主要有两个缺点，一是阈值必须人工设定，而在固定阈值下选择所有目标的输出边框是很难的，二是当检测器利用NMS时其假设输出边框都是独立的，但这些边框很可能是共享一些逻辑关系的。因此考虑利用RNN作为滤波器以得到最好的检测边框，其能提升检测器泛化能力。
