自动阈值检测_总结目标检测匹配策略与改进思路

↑ 点击 蓝字  关注极市平台 作者丨高毅鹏@知乎 来源｜https://zhuanlan.zhihu.com/p/149473726 编辑丨极市平台

极市导读

 

CVPR2020中的文章ATSS揭露到anchor-based和anchor-free的目标检测算法之间的效果差异原因是由于正负样本的选择造成的。而在目标检测算法中正负样本的选择是由gt与anchor之间的匹配策略决定的。因此，本文研究了目前现有的匹配策略，并根据现状给出改进思路。

faster rcnn或retinanet或ssd算法

采用的分配策略是 max iou assigner，即：对于每个gt，将高于正样本阈值的并且是max iou位置的anchor设置为正样本；将低于负样本阈值的anchor设置为负样本，考虑到有些gt和anchor的iou不高，故还设置了最小正样本阈值，当某个gt和anchor的max iou大于最小正样本阈值时候，则依然将该anchor设置为正样本。

yolo系列

是对于每个gt，将max iou位置的anchor设置为正样本，不管阈值多大(先要确定哪一预测层负责预测)， 这种操作对anchor设置要求较高，因为如果anchor设置不合理，就只能用大量低质量anchor负责回归了。对于正样本附近的anchor预测值，其可能和gt的iou也很高，故需要将这些位置的anchor预测值设置为忽略样本，默认阈值是0.7。可能滤除一些正样本。

fcos

第一步也是和yolo一样，要确定某个Gt在第几个层负责预测(采用min_size 和 max size_)。第二步是需要确定在每个输出层上面，哪些空间位置是正样本区域，哪些是负样本区域。原版的fcos的正负样本策略非常简单粗暴：在bbox区域内的都是正样本，其余地方都是负样本ÿ