Bridging the Gap Between Anchor-based and Anchor-free Detection
张士峰大佬近期发了一篇论文解读Anchor-base和Anchor-free方法间的差别，其本质在于正负样本的选取方式不同。
论文：《Bridging the Gap Between Anchor-based and Anchor-free Detection via Adaptive Training Sample Selection》
链接：https://arxiv.org/abs/1912.02424
知乎解读（作者本人出没）：https://www.zhihu.com/question/359595879
Anchor-base和Center-base的区别？
有读过FCOS的朋友还记得， FCOS是先判定正负样本的中心点，然后以中心点来回归boundingbox的：
其实这种方式和RetinaNet这种anchor-base的方法本质上大同小异，只不过一个是在Anchor的基础上做回归，另一个把Anchor换成了中心点而已。文章中首先探究了FCOS相比RetinaNet有一些improvements，包括：
- GroupNorm
- GIoU
- GT Box
- Centerness
- Scalar
把这些improvements用在RetinaNet上：
也能够使RetinaNet从AP32.5提升到37，这样二者之间的gap只有0.8了，而这0.8的gap可能来自于两点：
- Classification的方式不同，即正负样本的选取方式不同
- Regression的方式不同，一个基于anchor，一个基于point
作者通过试验证明了，anchor-base和anchor-free的gap主要来自于第一点：classification，及核心区别在于二者正负样本的选取方式不同。具体有什么样的不同，如下图：
第一行是RetinaNet，第二行是FCOS。
对于RetinaNet，其回归的基点是anchor，首先要判定哪些anchor是正样本，哪些anchor是负样本，然后在正样本anchor的基础上再做位置的回归。而判定anchor是否是正样本，是通过计算anchor和groundtruth的IoU来完成的，这样做的缺陷很明显，anchor是正样本还是负样本非常受限于anchor的设计，比如第一行RetinaNet中可以看到，蓝色的groundtruth包含了6个anchors，但是受限于anchor的大小，他们的IoU没有达到阈值要求，因此这些anchor都被判定成了负样本，显然这样是不太合理的。
而对于FCOS，作为center-base的方式，是通过判定feature上的每个点是否落入到groundtruth中来判定正负样本的，很显然这样就摆脱了类似于anchor这种受限于hard-craft的缺陷， 这也是FCOS效果优于RetinaNet的原因：基于center的方式，能够更有效的选取更多的正样本(不过其实这个点在FCOS的论文中也有提到过)。
一种“自适应”的训练样本选取方式ATSS
既然我们已经知道，Center-base和Anchor-base的区别在于正负样本的选取上，那怎样去弥补这种缺陷呢？作者提出了一种Anchor-base的基础上，自适应选取正负样本的方式，ATSS。
ATSS的伪代码：
流程大概是：
- 对于每个groundtruth，计算每个anchor到groundtruth的L2 distance，保留距离较近的anchor作为备选正样本anchor集合
- 对于备选正样本anchor
中的每个anchor， 计算和其对应groudtruth的IoU
，然后计算
和标准差
- 选取
作为IoU的阈值，只有
的anchor被选为正样本anchor
- 保持正负anchor的总数一定
作者还证明了算法对于ATSS中anchor的大小这个超参数设计不敏感，达到了自适应。
几点思考
- 在本博客开头的链接里面很多大佬都对这篇论文发表了看法，ATSS仍旧有硬伤，本质上仍旧有设计上的超参数存在，hard-craft的痕迹很重，实际上我也觉得离"adaptive"这个目标还有一定距离。
- 文章的实验和分析还是很清晰的，读完这篇文章我们应该能体会到，anchor的这种方式本质上还是存在着label-assign的问题，能解决这个问题，也许能使得performance显著的提升。
Bridging the Gap Between Anchor-based and Anchor-free Detection相关推荐
- Anchor Based和Anchor Free的相爱相杀与ATSS的诞生
前言 我们都知道按照是否出现RPN可将目标检测算法分为two-stage和one-stage,其中one-stage的一个主要代表便是YOLO系列,而根据是否存在先验锚框的定义我们也可以将其分为Anc ...
- Anchor Based和Anchor Free
Anchor Based和Anchor Free之间区别主要有以下两点:1.分类差异(关键正负样本定义)2.回归差异 1.分类差异: 现阶段的算法多尺度预测,即GT是由哪一个特征层和位置Anchor预 ...
- 【AI面试】Anchor based 、 Anchor free 和 no anchor 的辨析
深度学习的目标检测算法,通常会在输入图像中采样大量的区域,然后判断这些区域中是否包含我们感兴趣的目标,并调整(回归)区域边界,从而更准确地预测目标的真实边界框(ground-truth boundin ...
- GHM(anchor based)
https://blog.csdn.net/qq_21949357/article/details/102699367 目标检测论文阅读:GHM(anchor based) 论文链接:https:// ...
- 目标检测论文阅读：GHM(anchor based)
目标检测论文阅读:GHM(anchor based) 论文链接:https://arxiv.org/abs/1811.05181 代码链接:https://github.com/libuyu/GHM_ ...
- 论文阅读 [TPAMI-2022] Grid Anchor Based Image Cropping: A New Benchmark and An Efficient Model
论文阅读 [TPAMI-2022] Grid Anchor Based Image Cropping: A New Benchmark and An Efficient Model 论文搜索(stud ...
- Fast Fuzzy Clustering Based on Anchor Graph
Fast Fuzzy Clustering Based on Anchor Graph 基于锚图的快速模糊聚类 FFCAG 模糊聚类十分流行: 大规模问题复杂度高,限制发挥 对噪声敏感 FFCAG算法 ...
- 【翻译】Bridging the Gap Between Anchor-based and Anchor-free Detection
[翻译与个人理解]Bridging the Gap Between Anchor-based and Anchor-free Detection via Adaptive Training Sampl ...
- 转载系列【检测】| CVPR2020:Bridging the Gap Between Anchor-based and Anchor-free Detection via Adaptive Trai
目标检测论文阅读:Bridging the Gap Between Anchor-based and Anchor-free Detection via Adaptive Training Sampl ...
最新文章
- VS中的 MD/MT设置
- 《编写高质量代码：改善C#程序的157个建议》勘误表
- 烂泥：CentOS命令学习之scp复制
- vlookup 公式使用及常见问题
- composer 完整路径才能访问_Docker 漏洞：允许攻击者获得主机 root 访问权限
- C/C++[codeup 1967]数组逆置
- 海康摄像头近距离不能对焦模糊问题
- 关于电感开始饱和，开关过应力时开关的电流曲线的解释// 《精通开关电源设计》P53 图2-7
- html页面小宠物代码大全,宠物店网页设计html代码
- 利用机器学习方法确定各个特征的权重
- 微信小程序泛滥的今天，你知道如何测试吗？
- bootstrap进度条媒体对象和Well组件
- 【智力题】小环绕大环
- EIE稀疏矩阵乘法硬件模拟
- 问卷调查+需求分析（部分）
- Robotics: Aerial Robotics（空中机器人）笔记（二）:如何设计一架四旋翼无人机
- 鸿蒙王者荣耀评测,王者荣耀评测_妹纸玩家上手必坑英雄盘点 李白韩信榜首有名|攻略...
- 芯片破壁者（二）：半导体“硅”铺就的文明阶梯
- STM32单片机上电不自动复位，需要手动复位才正常工作解决办法
- arduino接收数据