&Title
- Bridging the Gap Between Anchor-based and Anchor-free Detection via Adaptive Training Sample Selection
- 代码
&Summary
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。
然后提出本文的思想,自适应的选取正样本的方法(ATSS)
该方法主要有两大特性:
- 保证了所有的正样本anchor都是在groundtruth的周围。
- 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。