【目标检测】正负样本分配策略

YOLO

v3

目标的中心点在哪个网格内由该网格负责预测该目标，max-iou matching策略
（1）计算GT的中心点在哪个网格；
（2）计算该网格内的所有anchor与GT的IOU，选择IOU最大的anchor负责预测该GT，将此anchor对应的预测框作为正样本；
（3）
每一个目标都只有一个正样本，gt和anchor一一对应，不考虑阈值
正样本用于分类回归及confidence的学习，负样本仅用于confidence学习

yolov3与单个分支单个网格的单个anchor匹配； yolov5为增加正样本数量，与多个分支多个网格中的多个ancor匹配

SSD

尽管一个GT可以与多个anchor匹配，但是每张图片中GT个数有限，所以负样本相对正样本多很多。为了保证正负样本尽量平衡，SSD采用了ohem

Faster RCNN

正样本参与分类和回归损失函数计算，负样本只参与分类。

区别

1、与SSD和faster rcnn不同，yolo类别预测不考虑背景，引入confidence，区分前景和背景

2、ssd和faster rcnn训练过程中需要使用ohem，yolo不需要？

可能与confidence损失项相关

3、IOU阈值

yolo中gt和anchor的匹配策略不考虑IOU阈值，gt和anchor一一对应，即使gt和anchor的iou较小，只需符合max-iou matching策略即可。
ssd和faster rcnn中若IOU阈值或者anchor设置不合理，可能导致部分gt没有与之匹配的anchor，在训练过程中被忽略。

参考资料：
YOLO正负样本匹配机制
SSD原理及实现
轻松掌握 MMDetection 中常用算法(二)：Faster R-CNN|Mask R-CNN
目标检测正负样本区分和平衡策略