ATSS

s3fd人脸检测，但是无权重，ssd风格，代码可用

https://github.com/tgisaturday/S3FD_ATSS_SAPD

 

https://github.com/sfzhang15/ATSS

https://github.com/feiyuhuahuo/atss_minimal

 

报错代码：

best_truth_overlap_clone[1 - add_idx] = 0

修改方法：

best_truth_overlap_clone[torch.logical_not(add_idx)] = 0

指出anchor-free和anchor-based方法的根本差异主要来源于正负样本的选择

提出ATSS( Adaptive Training Sample Selection)方法来根据对象的统计特征自动选择正负样本
证明每个位置设定多个anchor是无用的操作

 

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

感谢原文链接：https://blog.csdn.net/ckqsars/article/details/103632934

 

 

This ATSS implementation is based on FCOS and maskrcnn-benchmark and the installation is the same as them. Please check INSTALL.md for installation instructions.

A quick demo

Once the installation is done, you can download ATSS_R_50_FPN_1x.pth from Google or Baidu to run a quick demo.

# assume that you are under the root directory of this project,
# and you have activated your virtual environment if needed.
python demo/atss_demo.py

git clone https://github.com/sfzhang15/ATSS.git
cd ATSS

# the following will install the lib with
# symbolic links, so that you can modify
# the files if you want and won't need to
# re-build it
python setup.py build develop --no-deps


unset INSTALL_DIR

200ms一张图片，也不是很大的图片

这个是跟踪?

https://github.com/gunthkris/atts