算法问题整理（十）

网络资料整理，若侵则删。

10.1 在检测算法中正负样本是如何分配的

标签分配算法

目标CNN-based的目标检测器是预测 pre-defined anchors 的类别 (cls) 以及偏移量 (reg) 。
为了训练目标检测器，需要为每个anchor 分配 cls 和 reg 目标，这个过程称为标签分配或者正采样。
一些经典的标签分配方法：

RetinaNet、Faster-RCNN： 使用 pre-defined anchors 与 groudtruth 的 IoU 阈值来区分正负样本。
YOLOV5： 为了增加正样本数量，使用 pre-defined anchors 与 groudtruth 的 宽高比进行正采样。

详细：YOLOV5正负标签分配法则 - 简书

FCOS：处于groundtruth的中心区域的anchors作为正样本。

FCOS发表于ICCV 2019，是常用的无需锚框(先验框、anchor)的目标检测算法之一。

核心思想：将铺设锚框变为铺设锚点，进行物体检测。

所谓铺设锚框，又称为Anchor-Based，是指在输出特征图上的每个像素的位置，放置几个预先定义的anchor框，在网络训练过程中，对这些anchor框进行分类与回归。
通过GT框和这些an