置信度：
比如我们想估计一个城市中使用苹果手机的人数，那么我们一个人一个人问显然不现实，那么我们可以抽取一部分人（当然这些人要随机抽取），那么我们从抽取的这部分人中找到使用苹果手机的人占20%-25%，但是这么范围是一定正确的吗，显然不是，那么我们可以说我70%的信心确定使用苹果手机的人数占20%-25%，我们有一个区间，并且我们对它此一定的信心，这就是置信区间与置信度。
IOU阈值（重叠率阈值）：两个边界框的交集部分除以它们的并集。常用的阈值是 0.3 ~ 0.5.
非极大值抑制：
候选框相互之间可能会有重叠，此时我们需要利用非极大值抑制找到最佳的目标边界框，消除冗余的边界框。
对于Bounding Box的列表B及其对应的置信度S,采用下面的计算方式.选择具有最大score的检测框M,将其从B集合中移除并加入到最终的检测结果D中.通常将B中剩余检测框中与M的IoU大于阈值Nt的框从B中移除.重复这个过程,直到B为空.
例如定位一个车辆，最后算法就找出了一堆的方框，我们需要判别哪些矩形框是没用的。非极大值抑制的方法是：先假设有6个矩形框，根据分类器的类别分类概率做排序，假设从小到大属于车辆的概率 分别为A、B、C、D、E、F。
(1)从最大概率矩形框F开始，分别判断A~E与F的重叠度IOU是否大于某个设定的阈值;
(2)假设B、D与F的重叠度超过阈值，那么就扔掉B、D；并标记第一个矩形框F，是我们保留下来的。
(3)从剩下的矩形框A、C、E中，选择概率最大的E，然后判断E与A、C的重叠度，重叠度大于一定的阈值，那么就扔掉；并标记E是我们保留下来的第二个矩形框。
就这样一直重复，找到所有被保留下来的矩形框。
参考：https://www.cnblogs.com/makefile/p/nms.html