我要评论一、atss
参考：https://blog.csdn.net/xuzz_498100208/article/details/110355048
https://zhuanlan.zhihu.com/p/411659547
作者提出了一种自适应的选取正样本的方法，具体方法如下：
1.对于每个输出的检测层，选计算每个anchor的中心点和目标的中心点的l2距离，选取k（mmdetection的topk是9）个anchor中心点离目标中心点最近的anchor为候选正样本（candidate positive samples）
2.计算每个候选正样本和groundtruth之间的iou，计算这组iou的均值和方差
根据方差和均值，设置选取正样本的阈值：t=m+g ；m为均值，g为方差
3.根据每一层的t从其候选正样本中选出真正需要加入训练的正样本
然后进行训练
atss (adaptive training sample selection)
该方法根据目标的相关统计特征自动进行正负样本的选择。
对于每个gt box
，首先在每个特征层找到中心点最近的
个候选anchor boxes(非预测结果)。
计算候选box与gt间的iou
，计算iou的均值和标准差
，
得到iou阈值
选择阈值大于
的box作为最后的输出。如果anchor box对应多个gt，则选择iou最大的gt。
均值
表示预设的anchor与gt的匹配程度，均值高则应当提高阈值来调整正样本，均值低则应当降低阈值来调整正样本。标准差
表示适合gt的fpn层数，标准差高则表示高质量的anchor box集中在一个层中，应将阈值加上标准差来过滤其他层的anchor box，低则表示多个层都适合该gt，将阈值加上标准差来选择合适的层的anchor box，均值和标准差结合作为iou阈值能够很好地自动选择对应的特征层上合适的anchor box。
atss的思想主要考虑了下面几个方向：
在retinanet中，anchor box与gt中心点越近一般iou越高，而在fcos中，中心点越近一般预测的质量越高。
若anchor box的中心点不在gt区域内，则其会使用非gt区域的特征进行预测，这不利于训练，应该排除。
根据统计原理，大约16%的anchor box会落在
，尽管候选框的iou不是标准正态分布，但统计下来每个gt大约有
个正样本，与其大小和长宽比无关，而retinanet和fcos则是偏向大目标有更多的正样本，导致训练不公平。
atss仅有一个超参数
，后面的使用会表明atss的性能对
不敏感，所以atss几乎是hyperparameter-free的。
发表评论