【深度学习】【CVPR2020 Oral】ATSS

摘要

anchor-free的目标检测方法受利于FPN和Focal loss，作者认为基于anchor的方法和anchor-free的方法本质的不同是对于正负样本的定义。如果两类方法定义正负样本的方法相同，那么最终性能无论是从box回归还是从一个point回归并没有明显差距。本文出发点就是如何去选择正负样本。

RetinaNet和FCOS的区别：

• anchor的个数。RetinaNet一个点有若干个anchor boxes，FCOS一个点就是一个anchor point
• 正负样本的定义。RetinaNet根据IoU来定义正负样本，FCOS根据空间和尺度的限制。
• 回归方式不同。

文章还有一个重要结论——不需要在图像上的每个位置平铺多个锚点来检测物体。

Difference Analysis

在该部分作者主要剖析了后两个区别——正负样本定义和回归方式。

实验设置

• 数据集：也就是coco2014数据集中，包括train里面8万和val里面的trainval35k用来训练，minival5k用来验证。
• backbone：resnet50+FPN
• 输入图像：短边800，长边小于等于1330
• inference：score_thr=0.05；每一层留下1000个预测框；nms_IoU_thresh=0.6；top 100

去除不一致

(图片来源于论文FCOS)可以看出来当A=1(也就是每个位置只有一个方形锚框)时，和FCOS精度差别挺大37.1vs32.5。FCOS里面还有许多其他细节(centerness +0.3; center sampling +0.7; GIOU +0.2; normalize +0.3)，这些细节可以同样用到anchor-based的方法里面，所以这样比较是不公平的，公平的比较如下图所示（没有center sampling），此时精度还差了0.8：

本质区别 —— 如何定义正负样本

• 正负样本
  
  上图是选取方式的不同。如果将RetinaNet里面anchor变成point，精度提高了0.8！

• 回归

第一列是RetinaNet的精度变化，第二列是FCOS的精度变化，从上图精度变化说明回归方式的不同并不算大的影响。

ATSS

在训练时需要先定义正样本和负样本进行分类，然后使用正样本进行回归。

存在问题：之前的样本分类方法都有一些参数比如IoU阈值和scale ranges

方法：

1. 对于图片的每个gt找到其候选正样本(对于每一层都选出k个中心距离gt近的anchor box)，k也算参数，但后面作者证明没有关系。
2. 计算这些anchor box和gt的IoU
3. 计算IoU值的均值和标准差，两值相加得到阈值
4. 将IoU大于等于阈值，中心点在gt内的作为正样本，若一个样本属于多个gt，则选IoU最大的。
5. 所有anchor box(不是候选)剩下的都是负样本

对于两种情况，均值代表锚点是否适合该对象，标准差代表那一层适合这个gt。

实验

结果图片太长放不下。。。详见论文