python线性规划（linear programming）与分配问题（assignment problem）—— linear_sum_assignment的使用

scipy.optimize.linear_sum_assignment(cost_matrix)
主要讲解这个函数的功能和使用。
它可以抽象成这样一个数学问题。

我遇到的场景是这样，检测中有9个ground truth，我预测了10个检测，他们和每个ground truth的IOU矩阵如下：

iou_mat:
 [[0.         0.         0.         0.         0.95522388 0.62583519 0.47330961 0.         0.         0.        ]
 [0.         0.         0.         0.         0.69978402 0.82294264  0.66800805 0.         0.         0.        ]
 [0.         0.         0.         0.         0.47556391 0.62360802  0.82964602 0.         0.         0.        ]
 [0.         0.         0.         0.         0.         0.          0.         0.         0.80653266 0.14189189]
 [0.         0.         0.         0.         0.         0.          0.         0.         0.09547739 0.81305638]
 [0.         0.         0.         0.         0.         0.          0.         0.80693069 0.         0.        ]
 [0.37533875 0.03470716 0.01203501 0.71076923 0.         0.          0.         0.         0.         0.        ]
 [0.13828425 0.69325153 0.62729124 0.         0.         0.          0.         0.         0.         0.        ]
 [0.11683417 0.66935484 0.79550562 0.         0.         0.          0.         0.         0.         0.        ]]

我需要把最合适的预测和标签绑定到一起，并且每个预测和标签只能使用一次。完美契合这个函数的使用背景,由于该函数是求最小值，所以先进行1-的操作，调用函数即可。

match_index_list = linear_sum_assignment(1 - iou_mat)

#输出为：
(array([0, 1, 2, 3, 4, 5, 6, 7, 8]), array([4, 5, 6, 8, 9, 7, 3, 1, 2]))

即：(0,4)，(1,5)，(2,6)，(3,8)……
这样的顺序去做匹配即可找到那些预测和标签是匹配的。