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 θ \theta θ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}