Bridging the Gap Between Anchor-Based and Anchor-Free Detection via Adaptive Training Sample Selection 链接到标题

* Authors: [[Shifeng Zhang]], [[Cheng Chi]], [[Yongqiang Yao]], [[Zhen Lei]], [[Stan Z. Li]]


初读印象 链接到标题

ATSS 提出一种基于训练时匹配框的 std 和 mean 动态确定阈值的 label assign 方法

文章骨架 链接到标题

%%创新点到底是什么?%% novelty:: 分析了当前一些 label assign 的区别,提出了根据对象的统计特征自动选择正负样本的方法

%%有什么意义?%% significance:: 提升了模型检测精度

%%有什么潜力?%% potential::

贡献 链接到标题

  • 指出anchor-free和anchor-based方法的根本差异主要来源于正负样本的选择
  • 提出ATSS( Adaptive Training Sample Selection)方法来根据对象的统计特征自动选择正负样本
  • 证明每个位置设定多个anchor是无用的操作
  • 不引入其它额外的开销,在MS COCO上达到SOTA

分析 链接到标题

将 RetinaNet Anchor 数量设为 1 (1:1 正放形 anchor) 加入 GroupNorm、GIoU Loss、In Gt Box、Centerness 和 Scalar 将其和 FCOS 对齐, RetinaNet 相比 FCOS 还要低 0.8 个点。 此时主要差异由两个:1. 正负样本定义; 2. 预测值到 bbox 的转换方式

  1. 正负样本定义 RetinaNet 设定两个
  2. 预测方式