NMS：Non-Maximum Suppression（非極大值抑制）

假設從一個圖像中得到了2000個region proposals，通過在RCNN和SPP-net之後我們會得到2000*4096的一個特徵矩陣，然後通過N個SVM來判斷每一個region屬於N個類的scores。其中，SVM的權重矩陣大小為4096*N，最後得到2000*N的一個score矩陣（其中，N為類別的數量）。

 Non-Maximum Suppression就是需要根據score矩陣和region的座標信息，從中找到置信度比較高的bounding box。

首先，NMS計算出每一個bounding box的面積，然後根據score進行排序，把score最大的bounding box作為隊列中。接下來，計算其餘bounding box與當前最大score與box的IoU，去除IoU大於設定的閾值的bounding box。然後重複上面的過程，直至候選bounding box為空。最終，檢測了bounding box的過程中有兩個閾值，一個就是IoU，另一個是在過程之後，從候選的bounding box中剔除score小於閾值的bounding box。需要注意的是：Non-Maximum Suppression一次處理一個類別，如果有N個類別，Non-Maximum Suppression就需要執行N次。

RPN網絡得到的大約2萬個anchor不是都直接給Fast-RCNN，因為有很多重疊的框。文章通過非極大值抑制的方法，設定IoU為0.7的閾值，即僅保留覆蓋率不超過0.7的局部最大分數的box（粗篩）。最後留下大約2000個anchor，然後再取前N個box（比如300個）給Fast-RCNN。Fast-RCNN將輸出300個判定類別及其box，對類別分數採用閾值為0.3的非極大值抑制（精篩），並僅取分數大於detect_th的目標結果（比如，只取分數60分以上的結果）。