AutoAssign

label分配主要是为了计算Loss，这篇文章使得gt内部的所有点同时具有前景和背景类标签和置信度，因为作者认为gt内部的所有点并不应该都认为是正样本，因为有很多背景点

结构跟FCOS是一样的：

(1)center weighting先验分支

一个分支，根据gt的位置，得到gt框在不同level上的feature(仅仅为了存放权重)，并根据高斯分布生成权重，作为中心先验

(2)positive weight map

对于gt框内部的点，根据每个点的分类、回归loss，生成权重map
1.根据回归loss生成回归置信度

2.根据分类loss生成分类置信度

就是ImpObj分支*分类分支
3.正样本置信度=分类置信度*回归置信度

4.再加个指数函数，让置信度变化更剧烈

5.与center weighting先验相乘

6.每个点的正样本权重=这个点的置信度/gt框内所有点的置信度的和

注意：Sn是所有Level上的所有点，所以最后权重会指示到level级别，有的Level上权重高，别的level上权重就低，这就是作者说的scale和Spatial维度的自动Assign

(3)Negative weight map

1.对于gt外的点，负样本权重设置为1
2.对于gt内的点，负样本权重为该anchor和所有gt的max iou的函数


并且f(iou)被归一化到[0,1]

Loss计算

gt框内所有点的正样本权重*正样本置信度+所有点的负样本权重*负样本置信度(这里有个1-)
正样本置信度包含分类、回归Loss，负样本置信度只包含分类Loss。
分类Loss用GIoU Loss，回归Loss用Focal Loss。

最终实际可视化效果却没有达到作者最开始的设想：

实际：

可以看到spatial和scale的自动Assign是实现了，但是这个圆却并不太好看，看起来用混合高斯比这种单高斯会好，这就是IQDet的内容了