目标检测正负样本分配策略----ATSS

一、ATSS
参考：https://blog.csdn.net/xuzz_498100208/article/details/110355048
https://zhuanlan.zhihu.com/p/411659547
作者提出了一种自适应的选取正样本的方法，具体方法如下：

1.对于每个输出的检测层，选计算每个anchor的中心点和目标的中心点的L2距离，选取K（mmdetection的topK是9）个anchor中心点离目标中心点最近的anchor为候选正样本（candidate positive samples）

2.计算每个候选正样本和groundtruth之间的IOU，计算这组IOU的均值和方差
根据方差和均值，设置选取正样本的阈值：t=m+g ；m为均值，g为方差

3.根据每一层的t从其候选正样本中选出真正需要加入训练的正样本
然后进行训练

ATSS (Adaptive Training Sample Selection)

该方法根据目标的相关统计特征自动进行正负样本的选择。

对于每个GT box 

，首先在每个特征层找到中心点最近的
个候选anchor boxes(非预测结果)。
计算候选box与GT间的IoU
，计算IoU的均值和标准差
，
得到IoU阈值
选择阈值大于

的box作为最后的输出。如果anchor box对应多个GT，则选择IoU最大的GT。

均值
表示预设的anchor与GT的匹配程度，均值高则应当提高阈值来调整正样本，均值低则应当降低阈值来调整正样本。标准差

表示适合GT的FPN层数，标准差高则表示高质量的anchor box集中在一个层中，应将阈值加上标准差来过滤其他层的anchor box，低则表示多个层都适合该GT，将阈值加上标准差来选择合适的层的anchor box，均值和标准差结合作为IoU阈值能够很好地自动选择对应的特征层上合适的anchor box。

ATSS的思想主要考虑了下面几个方向：

在RetinaNet中，anchor box与GT中心点越近一般IoU越高，而在FCOS中，中心点越近一般预测的质量越高。
若anchor box的中心点不在GT区域内，则其会使用非GT区域的特征进行预测，这不利于训练，应该排除。
根据统计原理，大约16%的anchor box会落在

，尽管候选框的IoU不是标准正态分布，但统计下来每个GT大约有
个正样本，与其大小和长宽比无关，而RetinaNet和FCOS则是偏向大目标有更多的正样本，导致训练不公平。
ATSS仅有一个超参数
，后面的使用会表明ATSS的性能对

不敏感，所以ATSS几乎是hyperparameter-free的。