ATSS介绍

之前看了yolov7的paper，发现最近几年的目标检测热点好像不是网络结构了，而是正负样本分配策略，于是去回顾了一篇2020年的CVPR火文：ATSS

原文标题：Bridging the Gap Between Anchor-based and Anchor-free Detection via Adaptive Training Sample Selection

ATSS取自Adaptive Training Sample Selection

论文地址：https://arxiv.org/pdf/1912.02424.pdf

---

目录

一、论文背景介绍：

二、实验细节

三、作者提出的ATSS方法

---

一、论文背景介绍：

        往常，目标检测主流的算法都是anchor-based（不管一阶段还是二阶段），最近几年，anchor-free的算法越来越受欢迎，并且声称比anchor-based的精度高，那么他们差距到底在哪呢？为什么会有这种差距？

        这篇论文就是主要思考了这个问题并且进行研究，发现实际上无锚框和基于锚框的算法本质的区别（带来精度差异的原因）是如何定义正训练样本和负训练样本。

        作者提出了（自己研究出了）一套自适应样本选择方法(Adaptive Training Sample Selection, ATSS)，它显著提高了基于锚和无锚检测器的性能（用的是自己提出的ATSS），因此结论就是样本的选择方法才是带来精度的提升的原因。

        此外，这篇文章还挖了个坑，发现在图像上的每个位置没有必要放多个anchor（放一个足矣），但是具体不知道为啥，还有待研究。

二、实验细节

作者以具有代表性的anchor-based算法RetinaNet和anchor-free算法FCOS进行对比实验，进行探究到底他们差异在哪。

首先，RetinaNet和FCOS主要有三个不同点：

• 每个位置上的anchor数量不同。RetinaNet每个位置生成9个anchor；FCOS仅生成1个point。
• 正负样本分配策略不同。RetinaNet根据anchor与gt的MaxIoU进行分配；FCOS根据point是否落在gt内（空间限制），以及不同FPN特征层的回归范围限定（尺度限定）来进行分配。
• 回归策略不同。RetinaNet回归pred bbox和anchor的delta；FCOS直接回归point到pred bbox四边的距离。

除了三个主要不同点，FCOS还比RetinaNet多了五个小技巧trick（详见FCOS文章）：

• GroupNorm。FCOS在head卷积层采用GN代替BN。
• GIoU Loss。FCOS采用GIoULoss作为回归定位损失函数。
• In GT Box。FCOS限制正样本要在gt内。
• Centerness。FCOS多预测了一个centerness分支。
• Scalar。FCOS在回归定位预测时，多了一个可学习参数scale。

为了公平起见，RetinaNet每个位置只放了一个正方形锚框，并且RetinaNet进行了FCOS里同等的tricks，最后微调的RetinaNet和FCOS精度只差0.8%左右。

然后作者发现实际上他们俩的差异就在两方面：如何定义正样本和负样本；回归方法。

作者通过对比实验发现，正负样本的定义不同才是导致精度差异的最大原因。

FCOS首先使用空间约束来寻找空间维度上的候选正样本，然后使用尺度约束来选择尺度维度上的最终正样本。

RetinaNet则是用IoU同时选择出空间和尺度维度上的最终正样本，因此FCOS更好点。

而回归方法不影响精度。其中FCOS从中心点开始回归，回归跟GT的边框四条边的四个距离

而RetinaNet从锚框开始回归，回归四个偏移量（两个是GT中心点坐标，两个是锚框大小）

最后来看anchor数量的影响，直接抛出实验结论，对于基于MaxIoU的正负样本分配策略而言，anchor数量对精度是有显著影响的，从anchor数量1到9可以带来1.8%的精度提升。很好理解，因为anchor太少，可能有些gt没有被分配上，导致精度下降。

但是如果采用FCOS的正方样本分配策略或者后续提出的ATSS分配策略，那么anchor数量对精度的影响忽略不计。

三、作者提出的ATSS方法

作者提出了一种ATSS分配策略。具体来说，分为以下几步：

1、对于图像上的每一个groud-truth box记为g，在每一层特征金字塔，根据L2距离选取跟g的中心点最近的k个候选正样本（anchor box），那么如果有L层特征金字塔，总共会选择出L*k个候选框

2、计算每个候选框和g的IoU值，并且计算这个IoU值集合的均值和方差

3、均值和方差求和作为IoU阈值，筛选出大于这个阈值的候选框作为最终的正样本们

4、此外，如果将一个锚框分配给多个ground-truth box，则会选择IoU最高的那个。剩下的是负样本。此外，正样本的中心一定被限制在gt内，这是当正样本的前提，不然不考虑。

作者还分析了这些步骤采用的动机（原因）

1、为什么考虑跟GT中心点L2距离最近的？

RetinaNet中IOU越大的anchor，越靠近gt中心，同样的，FCOS中越靠近gt中心的point，检测出的预测框质量越高。

2、为什么计算均值和方差求和作为IoU阈值？

使用某个gt与所有anchor的iou均值和方差来确定该gt的自适应的iou阈值，这就是ATSS中的关键，也是Adaptive自适应一词的由来，一句话概括，自适应阈值就是基于统计学而得的iou阈值。

3、为什么正样本的中心一定要被限制在gt内？

借鉴了FCOS的分配策略中的空间限制，要求point落于gt内，原因是落在gt外，提取的图像特征不正确。

题外话：k是ATSS中唯一的超参数，而且通过后续实验发现，k的设置对精度影响不大！