ATSS论文要点总结（Adaptive Training Sample Selection）

“ATSS” 全称为 “Adaptive Training Sample Selection”，意为自适应训练样本选择，相关论文的主要内容如下：

核心观点：在目标检测中，anchor-based 和 anchor-free 检测器性能差异的关键在于正负样本的定义方式。如果训练过程中使用相同的正负样本定义，两者性能将无明显差异。基于此，作者提出 ATSS 方法，根据目标的统计特征自动选择正负样本，以弥补 anchor-based 和 anchor-free 检测器之间的差距。

• 关键方法 ATSS：
  • 候选正样本选择：对于每个真实边界框（gtbox），遍历每个输出层，在每层中找出 topk（默认是 9，是超参数）个与 gtbox 中心点 l2 距离最小的 anchor。若有 l 层输出层，则每个 gt 会挑选出 topk×l 个候选 anchor。
  • 计算相关指标：计算该 gt 和所有候选 anchor 的交并比（IoU），并计算 IoU 的均值和方差，两者相加得到该 gt 的自适应阈值，即。
  • 确定正样本：从候选 anchor 中挑选出 IoU 大于等于该阈值的 anchor，并过滤掉中心不在 gtbox 内部的 anchor，剩下的即为正样本。
  • 确定负样本：候选 anchor 中去掉正样本，剩余的都是负样本。
• 实验分析与结论：
  • 超参数 k 的影响：当 k 在 7 至 17 范围内时，结果较为鲁棒。k 过小，正样本太少会使模型训练困难；k 过大，会引入质量差的正样本，导致模型性能变差。
  • anchor size 的影响：模型性能对 anchor 的 scale（尺度）和 ratio（比例）变化不敏感，表明 ATSS 对不同的 anchor 设置具有很好的鲁棒性。
  • anchor num 的影响：在原始根据 IoU 定义正负样本的情况下，每个位置放置更多 anchor 会带来性能提升，但采用 ATSS 后，anchor 数量对结果无影响。
• 

算法其实就做了三件事：（1）为每个GT box在每个level特征图上选择候选正样本集合；（2）计算每个GT box所有候选正样本的数字特征；（3）根据特征选择正负样本。