Dynamic ATSS：预测结果才是正负样本区分的最佳准则

论文认为预测结果能够更准确地区分正负样本，提出结合预测结果IoU和anchor IoU来准确地选择最高质量的预测结果进行网络训练。整体算法简单但十分有效，值得看看

 

来源：晓飞的算法工程笔记 公众号

论文: Dynamic Label Assignment for Object Detection by Combining Predicted and Anchor IoUs

• 论文地址：https://arxiv.org/abs/2201.09396
• 论文代码：https://github.com/ZTX-100/DLA-Combined-IoUs

Introduction

  Label assignment是目标检测里面很重要的一环，用于区分正样本和负样本。对于anchor-based模型，常规做法是根据设定的anchor IoU阈值直接区分正负样本。早期的检测模型都用固定的阈值，忽略了目标的形状和大小特征的差异。而近期出现了一些动态阈值的研究，根据目标的特征动态调整阈值，选择较高质量的anchor作为正样本。但高质量的anchor并不能保证对应最高质量的输出结果，强行绑定的话反而会限制模型的训练。

  实际上，直接用预测结果的IoU作为正负样本的区分更为准确，能够直接反映网络的实际训练状态。但需要注意的是，训练初期的预测结果可能存在随机性。为此，论文基于ATSS网络，结合预测结果IoU和anchor IoU区分正负样本。另外，论文还将Centerness分支替换为IoU分支，引入了QFL(或VFL)来对soft target（预测的IoU值）进行优化。

Proposed Approach

Revisit Adaptive Label Assignment

  自适应label assignment先为每个GT选择多个最近的候选anchor，然后计算候选anchor与对应的GT之间的IoU值的统计信息，如均值和标准差，最后根据统计信息计算动态阈值。高质量anchor多的GT设置较高的阈值，而低质量anchor多的GT则设置较低的阈值，保证了正样本的数量。

  但大多数的自适应策略都只考虑预设的anchor，忽略了训练过程产生的预测bbox，导致部分高质量的预测结果被归类为负样本，对性能影响较大。如果直接将预测结果加入到自适应策略中，由于训练初期的预测结果还不够可信，这反而可能会影响训练。为此，论文提出结合预设anchor和预测bbox来解决这一问题。

Dynamic Label Assignment

  论文将预设anchor与预测结果构成combined IoU进行label assignment。在训练初期，由于预测结果不准确，将anchor作为label define的主要准则。随着训练的进行，预测结果逐步控制combined IoU并引导训练阶段的label assignment。整体网络结果如图1所示，以ATSS作为基础网络，将预测结果的IoU和预设anchor的IoU组合成Combined IoU。如果对ATSS感兴趣，可以去看看ATSS : 目标检测的自适应正负anchor选择，很扎实的trick | CVPR 2020

• why utilizing predictions is so important to guide the label assignment?  由于最终检测结果是从预测结果中选择的，而且NMS也是基于预测结果计算的，预测结果比预设anchor能更准确地分辨正负样本。在设计检测模型时，一般都认为IoU更高或更近的预设框更适合做正样本。但由于预设框和GT是固定不变的，这意味着一旦预设框的正负样本划分好了，就不会在训练阶段有任何改变了。尽管这样的预设框的确有更大的可能输出高质量预测结果，但显然高质量的预测结果并不一定来自于高质量的预设框。undefined  强制指定高质量预设框为正样本，反而会导致网络只专注于学习这些"可能高质量"的预设框的输出而忽略了其他真实存在的高质量输出。如果在每轮迭代中都引入预测结果来区分正负样本，则可以为模型更准确地选择最高质量的输出，从而提升模型的整体性能。

Soft Targets for Classification Loss

  由于论文引入了预测结果进行label assignment，所以使用soft target(预测的IoU值)对预测结果进行质量排序是再适合不过的，这恰好可以借用GFL和VFNet来进一步提升模型的性能。

  GFL是基于focal loss改进的针对连续值的版本，包含QFL和DFL两部分，分别用于优化分类分支和回归分支。QFL将分类分支与IoU分支融合成IoU-aware的分类分支，预测的目标不再是0和1，而是0或预测框与GT的IoU。随后根据预测结果与实际IoU之间的差值进行权重的调整。论文引入了QFL用于提升分类部分的性能，具体QFL的设计可以去看看Generalized Focal Loss：Focal loss魔改以及预测框概率分布，保涨点 | NeurIPS 2020。另外，论文在实验部分也有增加GFLV2+combined IoU以及VFNet+combined IoU的实现进行测试，具体GFLV2的设计可以去看看GFLV2：边界框不确定性的进一步融合，提点神器 | CVPR 2021。

  VFNet中的VFL根据soft target对正样本进行权重优化，跟GFL一样也将分类分支与IoU分支融合成IoU-aware的分类分支。不同的是，VFL将质量更高的正样本设置更高的权重，负样本则维持原本focal loss的模式，让模型专注于高质量正样本和错误负样本的学习。

Experiment

  CIoU(Combined IoU)、QFL、VFL对比结果。

  不同训练方法搭配CIoUs的回归损失曲线。

  各模块的对比实验，AIoU代表anchor的IoU用于区分正负样本，PIoU代表预测结果的IoU用于区分正负样本，IoU branch代表将Centerness分支替换为IoU分支。

  CIoU的结合比例对比，D_up和D_down分别代表动态上升和下降。

  在COCO上进行完整网络的对比，Dynamic ATSS为ATSS+CIoUs+QFL+IOU branch。这里的准确率没有比GFL高，论文认为是GFL使用了臃肿的DFL提升了回归分支准确率，而论文只是使用了简单的回归分支。

  不同训练网络搭配CIoU的作用。

Conclusion

  论文认为预测结果能够更准确地区分正负样本，提出结合预测结果IoU和anchor IoU来准确地选择最高质量的预测结果进行网络训练。整体算法简单但十分有效，值得看看。

如果本文对你有帮助，麻烦点个赞或在看呗～undefined更多内容请关注 微信公众号【晓飞的算法工程笔记】