输入是大小为 (N, H_1 x W_1 + ... + H_6 x W_6, self.num_classes + 1) 的 Prediction Probability，axis = -1 上的 self.num_classes + 1 类的概率和加起来为 1
scores = x.slice_axis(axis=self._axis, begin=1, end=None) # b x N x fg_classslice_axis 是切片函数，指定 axis，然后 begin 和 end，end 是不包括在内的，这行代码就是将 Background 的 Prediction Probability 去掉，得到仅有 Foreground Class 的 Prediction Probability 矩阵，大小为 (N, H_1 x W_1 + ... + H_6 x W_6, self.num_classes)
template = F.zeros_like(x.slice_axis(axis=-1, begin=0, end=1))创建一个大小为 (N, H_1 x W_1 + ... + H_6 x W_6, 1) 的全零矩阵
cls_ids = []
for i in range(self._fg_class):
cls_ids.append(template + i) # b x N x 1
cls_id = F.concat(*cls_ids, dim=-1) # b x N x fg_class生成一个大小为 b x N x fg_class 的矩阵，里面 axis=-1 的每个元素依次是 1, 2, 3, ..., fg_class
mask = scores > self._thresh
cls_id = F.where(mask, cls_id, F.ones_like(cls_id) * -1)
scores = F.where(mask, scores, F.zeros_like(scores))- fg_class 的 scores 中大于 self._thresh 的 mask，其实 self._thresh 的默认值很小，只有 0.01，所以我感觉这里同一个类别会有好多是 True 啊
- 得到的 cls_id 还是 b x N x fg_class 的矩阵，只不过对应的 score value 如果小于 thresh，则是 -1，否则是 class id
- 得到的 scores 也是 b x N x fg_class 的矩阵，只不过对应的 score value 如果小于 thresh，则是 0，否则是该类的 Probability