从ATSS探秘正负样本选择：目标检测的样本选择艺术

目标检测中的正负样本选择

目标检测领域中，正负样本的选择是影响检测性能的关键因素。正样本是指目标所在位置的图像块，负样本是指不包含目标的图像块。

在anchor-based的目标检测方法中，正负样本的定义相对简单。以Faster R-CNN为例，正样本是指与目标IoU大于0.5的anchor，负样本是指IoU小于0.5的anchor。

而在anchor-free的目标检测方法中，正负样本的定义则更为复杂。以CenterNet为例，正样本是指与目标中心点距离最近的图像块，负样本是指距离目标中心点较远的图像块。

ATSS的自适应正负样本选择

ATSS(Adaptive Training Sample Selection)论文提出了一种自适应正负样本选择方法，该方法可以有效提高目标检测的性能。

ATSS的正负样本选择方法主要基于以下两个思想：

1. 正样本应该更关注难例，即那些与目标重叠面积较小或IoU较低的图像块。
2. 负样本应该更关注容易区分的样本，即那些与目标重叠面积较大或IoU较高的图像块。

基于以上两个思想，ATSS设计了一种新的正负样本选择策略。该策略首先根据与目标的IoU将anchor划分为正样本和负样本。然后，对于正样本，根据IoU的大小进行排序，选择最难的正样本作为训练样本。对于负样本，根据IoU的大小进行排序，选择最容易区分的负样本作为训练样本。

ATSS的实验结果

ATSS在PASCAL VOC和COCO数据集上的实验结果表明，ATSS的自适应正负样本选择方法可以有效提高目标检测的性能。

在PASCAL VOC数据集上，ATSS的mAP为83.5%，比Faster R-CNN提高了2.5%。在COCO数据集上，ATSS的mAP为43.8%，比CenterNet提高了1.5%。

启发性建议

ATSS论文提出的自适应正负样本选择方法为我们提供了如何选择训练样本的启发性建议。这些建议包括：

1. 正样本应该更关注难例，即那些与目标重叠面积较小或IoU较低的图像块。
2. 负样本应该更关注容易区分的样本，即那些与目标重叠面积较大或IoU较高的图像块。
3. 可以根据与目标的IoU对正负样本进行排序，选择最难的正样本和最容易区分的负样本作为训练样本。

结束语

ATSS论文提出的自适应正负样本选择方法为目标检测领域带来了新的思路。这种方法可以有效提高目标检测的性能，并为我们提供了如何选择训练样本的启发性建议。相信随着研究的深入，目标检测领域还将取得更大的进步。