&Title
&Summary
在目标检测中的一个普遍认知就是应该平等的对待每个sample和目标。这篇文章研究了不同的样本对于最终结果的影响。作者认为在每个minibatch中的样本既不是独立的也不是同样重要的,所以一个平均的结果并不能意味着是一个更高的mAP。作者提出了Prime Sample的概念并且提出了PISA的方法,主要挂住这些样本的训练过程,实验证明关注prime sample而不是haed sample对于训练来说更加有效。在MSCOCO数据集上,PISA表现的比random sampling和hard mining 超过了1个百分点。
Contributions
- 我们的研究使人们对什么样本对于训练对象检测器很重要有了新的认识,从而确立了prime样本的概念。 (样本采样的一种 new insight)
- 我们设计了层次局部排名(HLR)来对样本的重要性进行排名,并在此之上基于重要性进行加权。 (使用排序来定义prime sample)
- 我们引入了一种称为分类感知回归损失的新损失,该损失可以同时优化分类分支和回归分支,从而进一步增强了对prime样本的关注。(联合分类和回归loss来加强对prime sample的attention)
&Research Objective
- 不同的样本对于最终结果的影响
- Sample不应该是独立的或者是相同重要的
- 分类和定位是相关联的
- 目的是找到一种更有效的采样/加权区域方法。
&Problem Statement
- 每个小批量中的样品既不是独立的,也不是同等重要的,因此,平均而言&#