CVPR2020中的文章ATSS揭露到anchor-based和anchor-free的目標檢測算法之間的效果差異原因是由于正負樣本的選擇造成的。而在目標檢測算法中正負樣本的選擇是由gt與anchor之間的匹配策略決定的。因此我們研究一下目前現有的匹配策略，并根據現狀給出改進思路。

faster rcnn或者retinanet或者ssd算法

• 采用的分配策略是max iou assigner，即：對于每個gt，將高于正樣本閾值的并且是max iou位置的anchor設置為正樣本；將低于負樣本閾值的anchor設置為負樣本，考慮到有些gt和anchor的iou不高，故還設置了最小正樣本閾值，當某個gt和anchor的max iou大于最小正樣本閾值時候，則依然將該anchor設置為正樣本。

yolo系列

• 是對于每個gt，將max iou位置的anchor設置為正樣本，不管閾值多大(先要確定哪一預測層負責預測)，這種操作對anchor設置要求較高，因為如果anchor設置不合理，就只能用大量低質量anchor負責回歸了。對于正樣本附近的anchor預測值，其可能和gt的iou也很高，故需要將這些位置的anchor預測值設置為忽略樣本，默認閾值是0.7。可能濾除一些正樣本。

fcos

• 第一步也是和yolo一樣，要確定某個Gt在第幾個層負責預測(采用minsize 和 max size)，第二步是需要確定在每個輸出層上面，哪些空間位置是正樣本區域，哪些是負樣本區域。原版的fcos的正負樣本策略非常簡單粗暴：在bbox區域內的都是正樣本，其余地方都是負樣本，而沒有忽略樣本區域。可想而知這種做法不友好，因為標注本身就存在大量噪聲，如果bbox全部區域都作為正樣本，那么bbox邊沿的位置作為正樣本負責預測是難以得到好的效果的，顯然是不太靠譜的(在文本檢測領域，都會采用shrink的做法來得到正樣本區域)，所以后面又提出了center sampling的做法來確定正負樣本，具體是：引入了center_sample_radius(基于當前stride參數)的參數用于確定在半徑范圍內的樣本都屬于正樣本區域，其余區域作為負樣本，依然沒有定義忽略樣本。

Guided Anchoring

論文思想是通過圖像特征來指導 anchor 的生成。通過預測 anchor 的位置和形狀，來生成稀疏而且形狀任意的 anchor，并且設計了 Feature Adaption 模塊來修正特征圖使之與 anchor 形狀更加匹配，在使用 ResNet-50-FPN 作為 backbone 的情況下，Guided Anchoring 將 RPN 的 recall（AR@1000） 提高了 9.1 個點，將其用于不同的物體檢測器上，可以提高 mAP 1.2 到 2.7 個點不等。

論文實現方式如下圖：

匹配策略：將整個 feature map 的區域分為物體中心區域，外圍區域和忽略區域，大概思路就是將 ground truth 框的中心一小塊對應在 feature map 上的區域標為物體中心區域，在訓練的時候作為正樣本，其余區域按照離中心的距離標為忽略或者負樣本，具體設計在 paper 里講得比較清楚。通過位置預測，我們可以篩選出一小部分區域作為 anchor 的候選中心點位置，使得 anchor 數量大大降低。在 inference 的時候，預測完位置之后，我們可以采用 masked conv 替代普通的 conv，只在有 anchor 的地方進行計算，可以進行加速。

ATSS

1）對于每個GT,找到候選的正anchor集合：

在每個金字塔層級（共L層）上，選擇topk個離GT中心距離最近的anchor boxes作為候選anchor, 那么每個GT就會有k*L個候選正anchor。

（2）計算自適應閾值：

計算候選anchor與GT之間的IoU Dg，計算均值

和標準差 ，其閾值為： 。

（3）確定最終的正anchor：

選擇

，且中心點在GT邊框內部的anchor作為最終的正樣本，如果一個anchor box被分配給了多個GT，選擇IoU最高的那個GT。

ATSS的意義:

• 根據目標統計特征，自動調整正負樣本選取方式。如圖(a),當 越大，表示候選樣本質量很高，可以選取一個高的IoU閾值。如圖(b), 越小，表示絕大多數的候選樣本較差，應當選取一個較低的閾值來確保GT可以匹配到anchor。如圖3(a), 較大時，往往意味著有一個FPN層出現了較高的IOU，說明該層非常適合這個物體的預測，因此 和 加起來得到一個較高的閾值，我們只從這一層選取正樣本。如圖3(b), 較小意味著存在多個適合該目標的金字塔層，因此 和 加起來得到一個較低的閾值，會在這些層級上選取正樣本。

• 每個目標匹配anchor數量相對均勻。

HAMBox

匹配策略：

將每張臉匹配到那些與它的iou大于某個閾值的anchor，對于outer face不進行補償。

在訓練的每次前向傳播之后，每個anchor通過回歸得到的坐標計算出回歸框，我們將這些回歸框記作 ，異常臉outer face記作 。最后，對于每個outer face，我們計算它與的IOU值，然后對每張outer face補償N個unmatched anchor。記所有的IOUs為 , 這些補償的N個anchor通過下面方式選擇：

（a）IOU要大于閾值T(在線正anchor匹配閾值)

（b）對（a）中得到的anchor進行排序，選擇IOU最大的top-K 個anchor做補償。K是一個超參數，表示每個outer face能matched的最多anchor數目。使用M表示在步驟1中已經匹配的anchor數目。如果N > K-M，則選取top(K-M)個unmatched anchor來補償。

T和K是通過實驗選擇的超參數。具體算法細節見下 Algorithm 1，該算法在訓練的每次前向傳播后執行一次.

Algorithm1具體見下：

/* 輸入：B,X,T,K,D,L,R,A B 是一組回歸后的框，格式為(x0, y0, x1, y1) X 是一組ground truth, 格式為(x0, y0, x1, y1) T 是上述算法中在線anchor挖掘中定義的閾值 K 是每個outer face能匹配到的最多anchor數目 D 是一個字典，key是ground_truth, value是HAMBox第一步中該gt能match到的anchor數，即matched_anchor的數目 L 是一個字典，key是anchor index, value是該anchor在HAMBox中最終分配的label R 是一個字典，key是anchor index, value是該anchor經過普通anchor matching后的編碼后的坐標 A 是一個字典，key是anchor index, value是該anchor的坐標，格式為(x0, y0, x1, y1)輸出：經過HAMBox后的R和L */ // 偽代碼見下 for x_i in x doif D(x_i) >= K thencontinueend ifcompensatedNumber = K - D(x_i)onlineIoU = IoU(x_i, B),AnchorIdx sortedOnlineIoU = sorted(onlineIoU, key = IoU, reverse = True)for IoU, AnchorIdx in sortedOnlineIoU doif(L(AnchorIdx) = 1) thencontinueendifif(IoU < T) thencontinueendifcompensatedNumber -= 1L(AnchorIdx) = 1R(AnchorIdx) = encoded(A(AnchorIdx), x_i)if compensatedNumber = 0 then breakendifendfor endfor return R, L

總結

以上是生活随笔為你收集整理的找不到匹配的key exchange算法_目标检测--匹配策略的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。