IoU-uniform R-CNN: Breaking Through the Limitations of RPN
这篇论文是一系列针对NMS或者region proposal训练提升的论文之一，其中涉及了多一个有意义的概念与思路。本文核心贡献是在RCNN(pooling 或 align后的网络)训练过程中.
RPN 与 rCNN 两大问题
第一，在训练的时候，相当部分的提供给RCNN训练用的正样本都是来自与ground truth的proposal，但是测试推理的时候，我们要求RCNN的输入是RPN给出的proposal，与GT相比会有一定的误差，这其中的misalignment就会使得RCNN在test的时候性能变差，训练的时候也容易过拟合。
第二，NMS supress了分类任务中确定度不是最高的框，但是这完全可能压制了事实上定位最准确的分类框，因而IoU-Net.pdf,要求神经网络输出当前框的IoU估计，NMS以这个IoU估计为基准.值得注意的是gaussian Yolov3(简介),同样使用定位不确定度来控制NMS，只不过它要求每一定位维度的不确定度的总合，而IoU-Net要求网络直接输出IoU估计.
IoU-uniform sampling
这篇论文提出的想法是如上图，在给RCNN提供正样本时，随机扰动ground truth的ROI，以此得到多个带有噪声正样本用作training。作者认为这样可以使得training phase与inference phase中RCNN的输入分布更相近。
在NMS的时候依据为IoU估计值与probs的乘积。