论文笔记：Overlap Sampler for Region-Based Object Detection

摘要中指出，现在的采样方法只着眼于样本与GT之间的IOU，而忽视了正负样本之间的IOU。如此会导致一些低质量的预测。

motivation

对于这种情况，作者称那些与正样本有较高IOU的负样本会在NMS过程中错误地抑制正样本。

作者在文中将样本选取分为两类:loss-based和IOU-based。然而在loss-based处引用了focal loss和OHEM。感觉这里有失偏颇。正负样本的选取在开始就已经定好了，而准则仍然是IOU，后面只是根据loss改变权重或者参与程度。

Investigation

作者大致提了几个方法，对本文的工作具有启发或借鉴意义。

IoU-balanced sampling

组会上有人说到过，大致是以IOU划分负样本集合，均匀采样。

ISR(Importance-based sample reweighting)

基于IOU的reweighting(IOU-HLR)-对与GT拥有更高IOU的正样本设置更大的权重。

method

方法接自Faster R-CNN，512个proposal，正负样本比1:3，少于128的正样本用负样本补齐。
Negative Overlap Sampler
对于负样本，作者希望采样更多与正样本有高IOU的。列出以下几种方法：
1.Uniform probability sampling
和随机采样无异
2.Hard probability sampling
选取NMS的$\theta$作为阈值，大于此阈值的负样本才进行训练。
3.Soft probability sampling
根据正负样本的IOU划分区间，然后照搬IoU-balanced sampling的做法。

4.Linear probability sampling

M为负样本候选集合中样本个数，N为采样数，i为第i个样本。 I O U i p , n IOU^{p,n}_{i}