江苏龙网

  1. 首页 > 人文 > >

ATSS：自动选择物体检测中的正负样本( 三 )


正样本中心的限制
anchor的中心点在物体外面的候选正样本是不好的正样本 ， 这些正样本由物体外面的特征预测 ， 在训练的时候应该去掉 。
在不同的物体之间保持公平
根据统计理论 ， 有16%的样本在[mg+vg, 1]的置信区间 ， 虽然候选样本的IOU的分布并不是标准的正太分布 ， 统计结果表明对于每个物体 ， 有大约0.2×kL个正样本 ， 这个对于尺度 ， 比例 ， 位置具有不变性 ， 而对于RetinaNet和FCOS的策略 ， 大的物体会趋向于有更多的正样本 ， 这导致了不同尺度物体之间的不公平性 。
几乎不需要超参数
这里只有一个超参数k ， 后面的实验表明了实验结果对于这个超参数其实并不敏感 ， 所以可以认为是不需要超参数 。
3.2 验证Anchor based RetinaNet
【ATSS：自动选择物体检测中的正负样本】为了验证ATSS的有效性 ， 我们用这个策略替换了RetinaNet(#A=1)中的策略 ， 效果见表3 。
Anchor Free FCOS
将ATSS方法用到FCOS中有两个版本 ， 一个是lite版本 ， 一个是full版本 ， 对于lite版本 ， 我们把ATSS的方法用到了FCOS中 ， 替换了其中的样本选择的方法 。 FCOS把anchor点看做是候选样本点 ， 这导致了大量的低质量的候选样本点 ， 我们的方法在每个特征level中为每个GT选择了k=9个候选样本点 。 lite版本已经作为center sampling合并到了FCOS的官方代码中 ， 将FCOS从37.8%提升到了38.6% 。 但是 ， 尺度范围的超参数依然是存在的 。
对于full版本 ， 我们将FCOS中的anchor点变为使用8S尺度的anchor box来定义正负样本 ， 但是仍然和anchor点一样进行回归 。 结果见表3 。 这两个版本具有相同的选择候选正样本的策略 ， 差别在于在尺度维度选取最终正样本的方法 。 从表3可以看到 ， full版本要好于lite版本 ， 这表明 ， 自适应选择最终正样本的方法要比固定选择最终正样本的方法要好 。
ATSS：自动选择物体检测中的正负样本文章插图
3.3 分析在训练的时候 ， 现在只有一个超参数k和相关的anchor box的设置 。 下面分别分析：
超参数k
我们做了几个实验来验证超参数k的鲁棒性 ， 见表4 ， 我们使用了不同的k ， 发现了k的值在7~19的范围内对结果变化不大 ， 太大的k导致了太多的低质量的候选样本反而会导致AP下降 ， k太小也会导致AP下降 ， 因为太少的候选正样本会导致统计量不稳定 。 总的来说 ， 超参数k是非常鲁棒的 。
ATSS：自动选择物体检测中的正负样本文章插图
Anchor尺寸
在之前的实验中 ， 使用的是一个8S（S表示该特征level的stride size）的正方形anchor ， 我们实验了不同尺度的正方形anchor ， 见表5 ， 发现差别不大 。 另外 ， 我们还实验了不同比例的anchor ， 见表6 ， 也没什么差别 。 这表明该方法对于anchor的设置是不敏感的 。
ATSS：自动选择物体检测中的正负样本文章插图
3.4 对比和其他方法的对比 。
ATSS：自动选择物体检测中的正负样本文章插图
3.5 讨论之前的实验使用的是RetinaNet ， 每个位置只使用了一个anchor ， 对于anchor based和anchor free方法 ， 其实还有一个区别 ， 就是每个位置的anchor的数量 ， 实际上 ， 原始的RetinaNet每个位置有9个anchor ， 3个尺度和3个比例 ， 我们记为RetinaNet (#A=9)， 从表7中可以看到 ， AP为36.3% ， 通用的优化方法也可以用在RetinaNet (#A=9) 上 ， 将AP提升到了38.4% ， 这要比RetinaNet (#A=1) 要好 ， 这说明 ， 在传统的IOU based正负样本选择策略下 ， 更多的anchor可以取得更好的效果 。


推荐阅读


上一篇：为爱坚守 为爱点亮--OLIGHT i1R 2“粉红丝带”

下一篇：「4」进大厂必须掌握的面试题-Java面试-jdbc