[ATSS]Bridging the Gap Between Anchor-based and Anchor-free Detection via Adaptive TrainingCVPR.2020

1. Motivation

​ anchor-based method（RetinaNet）和 anchor-free method（FCOS）的主要差异体现在以下4点：

• The number of anchors tiled per location.

• The definition of positive and negative samples.

• The regression starting status.

  而目前FCOS的实验结果会比RetinaNet好，因此在这三个差异中，哪一点是造成这2个detectors的性能gap的主要因素值得研究。

In this paper, we first point out that the essential difference between anchor-based and anchor-free detection is actually how to define positive and negative training samples, which leads to the performance gap be- tween them.

​ 在本文中，作者调查了anchor-based和anchor-free2种目标检测方法在精度上的的差异。通过排除2种方法在实现上不一致的地方，可以得出结论，2种方法在性能上的gap来源于正负样本的定义。

​ 如何更好的制定正负样本值得进一步的研究，基于此动机，本文提出了自适应训练样本选择器(ATSS)，基于物体的特征来自动的选择正负样本。

Then, we propose an Adaptive Training Sample Selection (ATSS) to automatically select positive and negative samples according to statistical characteristics of object.

2. Contribution

本文的主要贡献可以可以总结为以下4点：

• 实验表明，anchor-based和anchor-free detectors的差异性主要是源于正负样本的制定上。
• 提出了ATSS方法，根据物体的statistical characteristic