正负样本的分配atss

1.FCOS
论文链接：https://arxiv.org/abs/1904.01355
代码链接：https://github.com/tianzhi0549/FCOS/

作为Anchor-free的方法，FOCS直接对feature map中每个位置对应原图的边框都进行回归，如果位置 (x,y) 落入任何真实边框，就认为它是一个正样本，它的类别标记为这个真实边框的类别。可以理解为他是基于物体的一个key point点进行回归的。在实际的anchor-free中也会遇到一些问题，为了解决这些问题，FCOS做了如下工作：

1）为了解决anchor-free的方式在真实边框重叠带来的模糊性和低召回率（不像anchor-based可以有多重不同尺寸的anchor），FCOS采用类似FPN中的多级检测，就是在不同级别的特征层检测不同尺寸的目标。
2）为了解决距离目标中心较远的位置产生很多低质量的预测边框，FCOS提出了一种简单而有效的策略来抑制这些低质量的预测边界框，而且不引入任何超参数。具体来说，FCOS添加单层分支，与分类分支并行，以预测"Center-ness"，可以这这个理解成为一个度量值，于中心距离的一个度量值，与中心点较远，则度量值较低，与中心点越近，度量值越高，以此来让置信度更高的像素产生更高的贡献。

正负样本匹配方式的实现
Step1：分配目标给哪一层预测。 根绝目标的尺寸将目标分配到不同的特征层上进行预测。

具体实现：引入了min_size和max_size，具体设置是0, 64, 128, 256, 512和无穷大。例如，对于输出的第一个预测层而言，其stride=8，负责最小尺度的物体，对于该层上面的任何一个点，如果有gt bbox映射到特征图上，满足0 < max(中心点到4条边的距离) < 64，那么该gt bbox就属于第1层负责，其余层也是采用类似原则。总结来说就是第1层负责预测尺度在0~ 64范围内的gt，第2层负责预测尺度在64~128范围内的gt，以此类推。通过该分配策略就可以将不同大小的gt分配到最合适的预测层进行学习。

Step2：确定正负样本区域。 对于每一层feature map，设定一个以GT中心为圆心，固定半径的圆，如果像素落在该圆内，则标记为positive样本，否则为negative。

具体实现：通过center_sample_radius参数，确定在半径范围内的样本都属于正样本区域，其余区域作为负样本。默认配置center_sample_radius=1.5。例如，第1层的stride=8，那么在该输出层上，对于任何一个gt，基于gt bbox中心点为起点，在半径为1.5*8=12个像素范围内点都属于正样本区域。

Step3：centerness找到目标的中心点。 为了使靠近GT中心的像素能学到更多的信息，故给予他更高的权重，而离GT中心越远的点，贡献则递减。

具体实现：使得离目标中心越近，输出值越大，反之越小。Center-ness的定义如下公式：

可见最中心的点的centerness为1，距离越远的点，centerness的值越小。在推测的时候直接将中心度分数centerness乘到分类分数上，将偏离很远的检测框分值进行惩罚。

FCOS采用物体center的匹配方式来进行回归，在正负样本匹配的时候，采用了top-k的策略进行匹配，并且使用centerness来对不同距离的匹配样本进行不同程度的惩罚，以达到资源倾斜于贡献最佳者的目的。
2. CenterNet
论文地址：https://arxiv.org/pdf/1904.07850.pdf
代码：https://github.com/xingyizhou/C

Objects as Points这篇基于center的paper和FCOS有些相似，也是用中心点和宽高来表示一个物体，最大区别在于CenterNet使用的是物体的中心点。以及在实现正负样本分配的时候，引入高斯热图确定正负样本。

正负样本匹配方式的实现
CenterNet引入了高斯核来确定正负样本，将GT通过高斯核的方式分布到feature map上，然后根据像素点落到高斯分布的位置，基于相关的属性。在高斯核正中心的就是离GT的中心最近的点，包含在高斯核内的属于正样本，在高斯核以外的属于负样本。这些正样本中，离高斯核中心越近的正样本将被赋予较高的权重，随着高斯分布的逐渐向外，离中心越来越远，那么所能带来的贡献就逐渐减少，故赋予较低的权重。

3 ATSS
论文地址：https://arxiv.org/pdf/1912.02424.pdf
代码：https://github.com/sfzhang15/ATSS

ATSS这篇论文是同时适用于Anchor_based和Anchor_free的匹配方式，他先分析了Anchor_based的RetinaNet的anchor匹配方式，然后分析了基于Anchor_free的FCOS的匹配方式，发现两者之间的差异主要出现在正负样本的匹配差异上，如果完全使用相同的正负样本，则两者的性能最终会相差无几。故，文章提出了一种基于GT的相关特征自动选择正负样本的方法，来达到SOTA的效果。

正负样本匹配方式的实现
对于每个输出的检测层，计算每个anchor的中心点（anchor free的话，则是像素点，以下类似）和GT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）；
计算每个候选正样本和GT之间的IOU ，计算这组IOU的均值和标准差
根据标准差和均值，设置选取正样本的阈值

选择阈值大于 的候选框最为最后的输入，进入训练。
https://www.jianshu.com/p/ce799ecb4803

1.CenterPoint
《Center-based 3D Object Detection and Tracking》
论文链接：https://arxiv.org/pdf/2006.11275
代码链接：https://github.com/tianweiy/CenterPoint

2.AutoAssign
《AutoAssign: Differentiable Label Assignment for Dense Object Detection》
论文链接：https://arxiv.org/pdf/2007.03496
代码链接：None

3.OTA
《OTA: Optimal Transport Assignment for Object Detection》
论文链接：https://arxiv.org/abs/1904.01355
代码链接：https://github.com/Megvii-BaseDetection/OTA

https://blog.csdn.net/yanghao201607030101/article/details/116134350
https://zhuanlan.zhihu.com/p/394392992
https://megvii.blog.csdn.net/article/details/118741306?utm_medium=distribute.pc_relevant_t0.none-task-blog-2%7Edefault%7EBlogCommendFromMachineLearnPai2%7Edefault-1.essearch_pc_relevant&depth_1-utm_source=distribute.pc_relevant_t0.none-task-blog-2%7Edefault%7EBlogCommendFromMachineLearnPai2%7Edefault-1.essearch_pc_relevant
ref
[1] https://zhuanlan.zhihu.com/p/265339343
[2]https://zhuanlan.zhihu.com/p/63868458
[3]https://zhuanlan.zhihu.com/p/353493445