论文笔记：Learning from Noisy Anchors for One-stage Object Detection

motivation

作者指出，有些GT bbox存在包含其他物体，遮挡等现象。同时在训练时以IOU为标准划分的部分负样本也有可能包含重要的语义或者位置信息。因此训练时标签是noisy的。
进而提出cleanliness scores作为一个re-weight因子在训练中对anchor进行调整。

method

cleanliness scores定义如下：

loc_a表示定位confidence(这里作者采用预测box和对应的GT之间的IOU)，cls_c表示分类confidence(网络直接预测confidence)。作者称这种做法并没有受到cold start的影响，因为最初网络预测confidence都很低，c最初可认为是IOU的加权粗略表示。Apos和Aneg都是根据IOU选出的TOP-N而非全部。

由于loc_a和cls_c被归一化过，为了增加方差作者进行了改动。因此采用以下结果来计算加权：

其中f(x)=1/(1-x)。r被归一化到1.
整体流程：

一方面，c的设置使得预测输出向软标签c优化。一方面在分类confidence和IOU接近1时(即预测无限逼近GT时)，该anchor的加权项r增加。感觉从设计上满足了作者一开始的需求。
focal loss中：
$FL(p$