Weighted Boxes Fusion加权检测框合并

在研究目标检测算法的时候，通常会遇到如何稀疏化检测框这个问题。无论是anchor-based还是anchor-free的检测算法，输出的检测框在未经处理的时候，都很容易出现很多重复度很高的box, 这样从一定程度上会影响模型的准确率。通常，NMS是比较常用的合并检测框的方法，不了解的可以戳《NMS》。

本文介绍的是WBF，一种加权的检测框合并算法，也适用于与多模型的预测结果合并。
论文：https://arxiv.org/abs/1910.13302
git：https://github.com/ZFTurbo/Weighted-Boxes-Fusion

详细的7个步骤：

1. 把当前帧的所有box，加入到一个list中，并用它们的confidence，给它们做一个降序排序。咱们先定这个list名字为B；
2. 初始化两个list，分别叫L和F。其中L中的每个元素都是一个box的集合（即一个小list），而F中的每个元素都是一个box。F用来存我们合并之后的box，而L存放需要合并到一起的box集合。F和L长度始终一致，对应位置的元素是有关联的！
   举个样式栗子：L = [[b1, b2], [b3, b4]]，F = [b1, b3]
3. 开始迭代：用B中的box依次匹配F中的元素（F初始为空），假设IOU>0.55则认为匹配上；
4. 如果没匹配上，则该box加入到L和F的末尾，接着处理B中的下一个box；
   举个样式栗子：$b_0$未匹配上，则L.append([$b_0$])，F.append($b_0$)
5. 如果匹配到了F中的第$i$个元素，则该box就加入L中第$i$个元素列表中（L中每个元素是一个list）；
   举个样式栗子：如果$b_9$匹配打了F[$i$]，则L[$i$].append($b_9$)；
6. 重新计算F[$i$]（即被当前box匹配中的fusion框）的box坐标和confidence，咱们从L中可以得到必要的信息。用以下公式：
   $$C=\frac{{\sum }_{i=1}^T{C}_i}{T}$$
   $$X_{1,2}=\frac{{\sum }_{i=1}^T{C}_i\ast X_{1,2_i}}{{\sum }_{i=1}^T}$$
   $$Y_{1,2}=\frac{{\sum }_{i=1}^T{C}_i\ast Y_{1,2_i}}{{\sum }_{i=1}^T}$$
   第6步可以一言以蔽之：计算一个平均位置和一个平均的置信度confidence。
7. 当B中所有的box都迭代完以后，我们重新规范化F中的confidence。大概可以用2种方法：
   $$C=C\ast \frac{min(T,N)}{N}$$
   或者
   $$C=C\ast \frac{T}{N}$$
   这里的T表示L[$i$]的长度（设当前box为F中的第$i$个元素），而N表示咱们使用的模型个数。如果是单模型预测，则N=1。所以，N在这里是一个常数，而T越大则代表该box的可信度越高。