anchor free 目标检测_ATSS：缩小目标检测Anchor-free和Anchor-based方法的差异

《Bridging the Gap Between Anchor-based and Anchor-free Detection via Adaptive Training Sample Selection》论文解读

本文收录于CVPR2020。

论文链接：https://arxiv.org/abs/1912.02424

源码链接：https://github.com/sfzhang15/ATSS

本文贡献：

1. 指出anchor-based和anchor-free方法的主要区别在于正负样本的选取方式。

2. 提出一种基于统计的Adaptive Training Sample Selection（ATSS）方法，来自动的选取正负样本。

3. 讨论了每个location是否有必要设置多个anchor。

---

Difference Analysis of Anchor-based and Anchor-free Detection

这里主要在分析anchor-based 和 anchor-free检测方法的区别。本文使用anchor-based来表示anchor-based方法，使用FCOS来表示anchor-free方法。

首先给出了RetinanNet和FCOS的比较，并将RetinaNet与FCOS的策略统一，如下表所示。

其中RetinaNet（#A=1）表示每个location仅设置一个anchor（为了和FCOS保持一致）。发现尽管设置了一样的策略，两者仍有0.8%的差距，那么差距有何而来？

本文分析了两点可能的原因：（1）分类，即如何选取正负样本； （2）回归，即对anchor回归还是对一个中心点回归。

分类：两者分类的区别如下图所示。

在RetinaNet中，正样本是指anchor与gt的IOU大于一定阈值，负样本是指IOU小于一定阈值；而在FCOS中，首先将在gt内的中心点定义为候选正样本，然后根据FPN不同层设置的scale阈值从这些候选样本中选出最终的正样本。

回归：两者回归目标的区别如下图所示。

其中RetinaNet的回归目标是4个值，包括anchor中心点的偏移和长宽的伸缩；而FCOS的回归值则是中心点与上下左右边界的距离。

在了解两者的分类和回归的区别之后，我们来看下表。

其中纵向表示正负样本选取方式的比较，横向表示回归目标的比较。可以很明显的发现，两者结果的差距主要来自于分类的差距。

Adaptive Training Sample Selection

由于上一部分分析了对于目标检测来说，如何选取正负样本将会极大的影响最后的检测效果。因此本文提出了一种新的正负样本选取方式，这种方法几乎不会引入额外的超参数并且更加鲁棒。

具体算法流程如下所示。

很容易理解，主要就是在每个FPN层选取离gt框中心点最近的

个anchor，之后对所有选取的anchor与gt计算IOU，同时计算IOU均值

和方差

，最后保留IOU大于

均值加方差（

）的并且 中心点在gt之内的anchor作为正样本。

这种划分方法有以下几个意义：

1. 自动调整正负样本选取方式。比如当出现高方差的时候，往往意味着有一个FPN层出现了较高的IOU，说明该层非常适合这个物体的预测，因此最终的正样本都出自该层；而出现低方差的时候，说明有多个FPN层适合预测这个物体，因此会在多个层选取正样本。如下图Figure3的分布情况。

2. 限制anchor的中心点在gt之内。因为中心点在gt之外的anchor往往属于poor candidates。

3. 基于统计的方法来划分正负样本。使得每个物体都有相对固定数量的正样本，大致为

个，而之前的方法会使得大物体具有更多的正样本。

4. 几乎无超参数。唯一的超参数就是

，并且后续试验证明了，网络的效果对

的取值并不敏感。

根据下表可以发现，anchor-based和anchor-free的方法加上ATSS策略之后，效果都有明显的提升，这也证明了ATSS策略的有效性。

作者还做了一个实验，来验证

的选取对结果的影响。

根据实验结果，

在取[7-17]的时候，网络的效果几乎没有什么变化。除了在

取到特别小（

）以及特别大（

）的时候，效果会有下降。作者解释原因是说，

在取较大值的时候会引入太多的低质量anchor，所以效果会有轻微的下降；而

在取较小值的时候，正样本candidate anchor数量太少，会有统计不稳定（statistical instability）的现象，因此效果会产生较大的下降。

最后作者还研究了在ATSS策略下，设置不同的anchor scale和ratio对结果的影响。

可以明显发现，结果都很稳定，这也说明了ATSS策略的鲁棒性。

Comparison

由于之前讨论的情况全是在一个location设置单个anchor，因此这部分的主要目的是比较在一个location设置多个anchor的结果。

发现在引入ATSS策略后，设置anchor数量与结果没有明显的关系。

总结：

1. 本文讨论了anchor-based和anchor-free方法差异的本质原因。

2. 在不引入额外cost的情况下，设计了一种新的正负样本选取方式ATSS，该策略几乎没有超参数，同时具有较强的鲁棒性。