ATSS论文解读

链接

论文地址：Bridging the Gap Between Anchor-based and Anchor-free Detection via Adaptive Training Sample Selection
github地址：ATSS

文章创新点

本文主要是通过对目标检测中的正样本的重新定义，通过重新定义的正样本来训练模型，最终使得模型能更好的学习到主要的特征。所以无需对模型本身做任何的修改，也无需对训练过程进行任何修改，只需调整输入到模型中的样本。

详细解读

论文主要阐述了对于正负样本的定义和选取对模型最终效果的影响。
首先是对比了anchor_free和anchor_base在选取样本时的差异，本文以RetinaNet和FCOS作为例子进行了对比，RetinaNet是采用IOU去选取正负样本，FCOS是基于空间分布对正负样本进行score。这两种采样方式会导致最终训练的正负样本是不一致的，作者通过对ReinaNet用两种不同采样方式进行训练模型，并对比起在COCO上的AP，验证anchor_base和anchor_free本质上的区别只是在于采样的不同。

regression	Box	Point
Intersection over Union	37.0	36.9
Spatial and Scale Constraint	37.8	37.8

然后提出本文的思想，自适应的选取正样本的方法，同时结合了上述两种的选取正样本方法，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距离，选取K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
3.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。
4.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。
5.训练模型。

本文的方法主要有两大特性：
1.保证了所有的正样本anchor都是在groundtruth的周围。
2.最主要是根据不同层的特性对不同层的正样本的阈值进行了微调。

作者采用本方法与之前的提取正负样本的训练方法进行了对比

(未完待续)