【论文笔记】：Dynamic R-CNN: Towards High Quality Object Detection via Dynamic Training

&Title

• Dynamic R-CNN: Towards High Quality Object Detection via Dynamic Training
• 代码

&Summary

Dynamic R-CNN是R-CNN系列算法，即两阶段目标检测算法；动态性其实体现在在训练目标检测模型过程中使用动态训练的策略。前面介绍过的Cascade RCNN也可以看作是一种动态训练方法，它在训练过程中不断调整交并比阈值的大小以提高候选框的质量。而论文在训练过程中不仅关注了交并比阈值的动态设置，也在自适应地调整回归损失的形式。实验结果为在MO COCO数据集上相比于SOTA方法的AP提高了1.7%。

论文贡献：

• 基于目标检测的训练特征，指出基于样本分布的变化而动态调整训练的策略；
• 提出DLA和DSL的训练方法，仅通过引入两个变量就可以实现；
• 引入该方法在提高模型性能的同时不会降低其速度。

&Research Objective

根据训练期间提议的统计信息自动调整标签分配标准（IoU阈值）和回归损失函数的形状（SmoothL1 Loss的参数）

&Problem Statement

作者首先指出固定网络设置和动态训练过程之间的不一致问题，这会极大地影响性能。例如，固定标签分配策略和回归损失函数无法适应proposal的分布变化，因此不利于训练高质量的检测器。

为了解决这个问题，作者首先研究一个被忽略的事实，即提案的质量确实比训练过程有所提高，如下图所示。我们可以发现，即使在不同的IoU阈值下，阳性样本的数量仍然显著增加。

• 在分类器训练中如何为提案分配正负标签并不清楚，因为它们的分离可能是模糊的。最广泛使用的策略是为提案和对应的地真值的I