一种关注于重要样本的目标检测方法！

↑↑↑关注后"星标"Datawhale

每日干货 & 每月组队学习，不错过

 Datawhale学术 

作者：宋志龙，浙江工业大学，Datawhale成员

在目标检测中训练模型时，样本间往往有差异性，不能被简单地同等对待。这次介绍的论文提出了一种重要样本的关注机制，在训练过程中帮助模型分辨哪些是重要的样本，从而优化整个训练过程。

论文标题：Prime Sample Attention in Object Detection

论文链接：https://arxiv.org/pdf/1904.04821.pdf

后台回复“210717”可进目标检测群

背景

论文是基于anchor的目标检测中正负样本采样的。首先来一起回顾下整个过程。

以经典two-stage目标检测网络Faster-rcnn为例，如图所示，过程大致为：

1. 图片输入经过backbone得到feature_map，

2. 然后经过RPN网络得到proposal，

3. 再将proposal进行1：3的正负样本的采样，

4. 将采样后的正负样本送入rcnn阶段进行分类和回归。

图中蓝框区域就是本文要研究的内容：

问题分析

在这样一个正负样本采样阶段，目前主流的算法都是怎么做的？

1. Faster-rcnn，将采样后的正负样本直接送入rcnn阶段进行分类和回归；

2. ohem，将loss大的proposal视为难例，在采样的时候优先采样这些样本；

3. focal_loss，通过两个超参数调节不同难易程度样本的loss。

还有很多别的关于正负样本采样的研究，这里不一一列举，但是目前来看，大部分关于这部分的优化，都是想要去优化难例样本，也就是说，一个proposal在训练的时候贡献的loss越大，越需要去优化，但是这样真的是对的吗？或者说，对于模型来说，这些难例样本真的是最重要的吗？

这里我们举一个例子，看一下本文认为什么是重要的样本，