目标检测中对于box assignment的策略 （label assignment in object detection)

Label Assignment 是目标检测中重要的一步，其对propose的anchor box/anchor point打上label（是postive还是negative/ignore）。其中包含了两个挑战：
（1）Negative 样本太多 --> 正负样本不均衡；
（2）没有一个统一的评定标准 --> 是一个trial and error的过程。

现在主流的framework的方式：

（1）Faster RCNN / SSD / RetinaNet
一个grid cell中有多个anchor；
通过anchor与GT的IoU判定为positive/negative，例如：IoU低于0.4的为negative，高于0.5的为positive，中间的忽略。

（2）YOLO
一个grid cell中有多个anchor；
首先通过GT框的中心计算对应的grid cell（这个cell中有多个anchor）。然后计算两个的IoU，选择IoU最大的anchor为positive，大于0.6的为ignore，其他的为negative。

（3）FCOS
一个grid cell中没有anchor；
对于每一层feature map，将每个grid cell对应回原图，对应回去后如果落在某个GT框内，则该grid cell为positive。其他的grid cell为negative。

（4）FreeAnchor
grid cell中有多个anchor；
先通过IoU判断positive，negative，ignore。对于每个GT，选择top 50的anchor为候选positive，计算候选positive anchor对应的loss（包含分类loss和框回归loss），loss最小的anchor即为positive（类似OHEM）。

（5）AutoAssign
grid cell中没有anchor；
对于每一层feature map，将每个grid cell对应回原图，对应回去后如果落在某个GT框内，则该grid cell即为postive也为negative。positive的权重通过attention的方式来学，negative的权重通过该grid对应的proposal与所有GT框之间最大的IoU确定，即IoU越大，negative权重越小，反之，negative权重越大。

有无模型的反馈
	无（即label assignment过程与模型前向无关）
		GT与anchor bbox的IoU（Faster RCNN、SSD、RetinaNet）
		落在GT内的grid cell（YOLO、FCOS）
	有（即模型前向会参与label assignment过程）
		分类
			针对negative
				OHEM
			同时考虑positive和negative
				focal loss
		框回归
			针对ignore
				YOLO
		分类和框回归
			针对positive
				FSAF
				FreeAnchor
				Learning from Noisy Anchors for One-stage Object Detection

hard or soft label assignment
	hard label assignment
		Faster RCNN、YOLO、SSD、RetinaNet、FCOS
	soft label assignment
		AutoAssign
		SAPD