1 NMS
1)保留score最高的預測框
2)将與目前預測框重疊較多的proposals視作備援
缺點:稠密物體檢測時，同類的兩個目标較近。會導緻其中一個目标不能被召回。
2 Soft-NMS
1)”迂回“，認為重疊較多的proposals可能包含有效目标，隻是重疊區域越大可能性性越小。
3 Softer-NMS
softer-NMS關注的是單個框的定位精度，而NMS和soft-NMS關注的是單個框的備援性。
針對的問題：
1）proposals坐标不準确
2）分類score高的不一定定位score高。（NMS和Soft-NMS隻基于分類score對proposals做排序），是以需要同時預測出檢測框的定位score
網絡結構：
經過上面的網絡部分，Class分支會輸出類别score，Box分支會輸出box的4個坐标和這4個坐标對應的标準差（定位score）
KL散度，衡量機率分布的相似性，KL散度本身具有不對稱性。
通常，在實際應用中為了使用對稱性，使用的是KL散度的變形形式
4 總結
1）NMS：隻适用于圖檔中目标比較稀疏的場景，即目标之間的間距較大；
2）soft-NMS：可以部分解決出現稠密目标的情況
3）softer-NMS：該後處理方法采用"bagging"的思想，通過後處理提高定位精度，可以和soft-NMS組合使用。
參考自：https://blog.csdn.net/diligent_321/article/details/85859462