总结论文中正负样本的选择

对正负样本的选择

1.ssd:设置一个阈值（0.5），大于这个阈值的框为正样本，其它框作为负样本鉴定为背景。但是负样本还是远大于正样本，因此采用了难样本挖掘。难样本挖掘的具体操作是计算出所以负样本的损失进行排序，选取损失较大的TOP-K个负样本，这里的K设为正样本数量的3倍。在Faster-RCNN中是通过限制正负样本的数量来保证样本均衡，SDD则采用了限制正负样本的比例。对于留下的预测框执行NMS算法，过滤掉那些重叠度较大的预测框。最后剩余的预测框就是检测结果了。

2.fast rcnn:一个mini-batch中正负样本的比例按照1：3选取，且与groundtruth的IoU>=0.5的为正样本，0.1<IoU<0.5的为负样本.

3.faster rcnn有两次选择正负样本的操作，一次发生在RPN部分，RPN可以产生（提出）大约20,000个框，其中大量的框都是无目标的背景，因此要进行选择平衡的正负样本用于训练RPN。在训练了RPN后，我们训练rcnn，先通过RPN产生大约20,000个预测框，通过对前景概率排序，NMS等系列操作，得到了2000个候选框，与上述的fast rcnn 相同，这2000个候选框也不是全部用于训练，于是出现第二次样本选择。

rcnn的正负样本选择
2000个候选框不是都拿去训练，而是利用选择128个用以训练。选择过程如下：
候选框和gt_bboxes 的IoU大于0.5的，选择一些作为正样本（选取32个）。
其余样本为负样本。（96个）

RPN的正负样本选择
RPN将20000多个候选的anchor选出256个anchor进行分类和回归位置。选择过程如下：
对于每一个ground truth bounding box（gt_bbox），选择和它重叠度（IoU）最高的一个anchor作为正样本。
对于剩下的anchor，从中选择和任意一个gt_bbox重叠度超过0.7的anchor，作为正样本，正样本的数目不超过128个。
随机选择和gt_bbox重叠度小于0.3的anchor作为负样本。负样本和正样本的总数为256。

yolov1:正样本：对应的cell中有物体中心，与GT有最大IOU的b-box。        负样本：其余b-box。

yolov2-3:v2-v3中引入了anchor，每个网格单元有3个anchor，但是只有和gt的iou最大的anchor才负责预测gt，计算loss，但是由于v2中的边界框其实比v1多，此时定了一个iou阈值，anchor和gt的iou小于iou阈值的才是负样本，如果在iou阈值和最大iou之间的样本均作为忽略样本.
 

 参考文献：rcnn系列论文、ssd论文、yolo系列论文。

关于 Faster RCNN正负样本选取的问题_tenpha_的博客-CSDN博客_faster rcnn 正负样本

目标检测正负样本区分和平衡策略总结_Kun Li的博客-CSDN博客_retinanet 正负样本选取