NMS及其变体

nms:1.首先将pred_data中置信度小于x的过滤掉，2.根据conf从大到小重新排序并记为P。3.将P[0]保存到另一个列表R中并计算其与P[1:]的IOU(可选项：是否在不同类间计算IOU)，过滤掉其中IOU大于y的P[1:]。4.重复步骤3直到P为空

batch-nms:它并非是真正的在一个batch间进行nms，只是给每个box的坐标加上cls_id*max_wh，将每个类的box分隔开来好计算不同类间的IOU，算是加速计算的一种技巧

weighted-nms:它在进行nms步骤3时，将所有与它IOU大于iou_thresh的box的box_conf为权重*各自的坐标并取加权平均记为weight_box，最终返回weight_box而非P[0]并重复步骤3直到P为空

merge-nms:它是先走一遍普通nms的流程得出的nms_box后再跟原始的pred_box计算IOU，然后将大于iou_thresh的IOU*conf([c,n]*[1,n]->[c,n])记为weight再与pred_box做矩阵乘法([c,n]*[n,4]->[c,4])最后除以weight.sum(1)得到的box作为merge-nms结果返回

soft-nms:多了一个soft_thresh参数，在普通nms中计算IOU后，对大于iou_thresh的box_conf做衰减(线性衰减或指数衰减)(普通nms中是直接将box_conf置为0)，然后过滤掉box_conf小于soft_thresh的box，继续重复nms中的步骤3。

diou-nms:nms中计算IOU的方法改为DIOU即可，可以缓解遮挡问题