摘要
非极大值抑制（Non-Maximum Suppression, NMS）在目标检测中至关重要，其性能会通过引入误检（False Positives, FP）和漏检（False Negatives, FN）影响评估结果，尤其在人群遮挡等复杂场景下表现尤为显著。本文指出，由于NMS的存在，训练目标与评估指标之间出现了弱关联问题，并提出一种新型的NMS-Loss，使NMS过程能够以端到端的方式进行训练，且无需引入额外的网络参数。该NMS-Loss针对两种异常情况施加惩罚：一是NMS未能抑制误检（FP），二是NMS错误地剔除了本应保留的真阳性（FN）。具体而言，我们设计了一种“拉力损失”（pull loss），用于将属于同一目标的预测框拉近；同时设计了一种“推力损失”（push loss），用于将属于不同目标的预测框相互推开。实验结果表明，在NMS-Loss的辅助下，所提出的检测器NMS-Ped在Caltech数据集上取得了5.92%的漏检率（Miss Rate），在CityPersons数据集上达到10.08%的漏检率，均优于当前最先进的方法。