【摘要】 论文地址：https://arxiv.org/pdf/2007.08103.pdfmotivation目标检测中anchor的正负样本分配是核心步骤，影响模型最终的性能。以往大都根据人为设定预测框与GT的IOU阈值划分正负样本，忽视了bbox本身的类别训练阶段和测试阶段不统一，测试阶段没有GT，即没有IOU指标可以衡量     contribution通过高斯混合模型，对正负样本建模，自适应…

论文地址：https://arxiv.org/pdf/2007.08103.pdf

motivation

• 目标检测中anchor的正负样本分配是核心步骤，影响模型最终的性能。以往大都根据人为设定预测框与GT的IOU阈值划分正负样本，忽视了bbox本身的类别
• 训练阶段和测试阶段不统一，测试阶段没有GT，即没有IOU指标可以衡量

contribution

• 通过高斯混合模型，对正负样本建模，自适应动态划分正负样本，模型可解释性更强
• 分配正负样本取决于cls和box的综合得分，使得bbox的类别也被考虑，更有利于正负样本划分
• 增加分支对预测框和GT的IOU预测，训练阶段使用真实IOU，测试阶段使用预测IOU，使得训练测试保持一致

method

Probabilistic Anchor Assignment Algorithm

该方法的目标主要考虑三个关键点，一是使用模型衡量预测框的质量，二是自适应的划分预测框的正负类，三是基于概率最大化分配正负样本

• 将预测框的分数定义为其质量，具体做法将分类和回归的得分相乘：

• 其中，Scls和Sloc 分别表示分类和回归得分，x和fθ分别表示输入图像和带参数θ模型，λ用来控制两个乘积项的权重，Sloc用交并比来定义：

• 对其取负对数得：

• 对上述综合得分作为从概率分布中抽取的样本，建立高斯混合模型，并基于概率自适应的分配正负样本：

下图展示了几种不同的正负样本划分方式

loss

 IoU Prediction as Localization Quality

为了使训练和测试阶段保持一致，在预测cls和box的同时增加IOU预测分支,仅需要单层卷积网络，这里每个点对应一个anchor

Experiments

• 下图展示了训练过程中中锚框的分配和预测框

• 实验证明上述几种正负样本划分策略对结果基本一致,FNP表示fixed numbers of positives，FSR表示fixed positive score ranges

• 和其他方法的对比