论文信息

论文标题：《通过自适应训练样本选择弥合基于锚点和无锚点检测之间的差距》

@inproceedings zhang2025bridging,
  title={Bridging the gap between anchor-based and anchor-free detection via adaptive training sample selection},
  author={Zhang, Shifeng and Chi, Cheng and Yao, Yongqiang and Lei, Zhen and Li, Stan Z},
  booktitle={Proceedings of the IEEE/CVF conference on computer vision and pattern recognition},
  pages={9759--9768},
  year={2025}
}

归纳总结

问题背景

论文指出，单阶段Anchor-Based和Center-Based Anchor-Free检测算法的性能差异主要来自于正负样本的选择策略不同。基于此问题，作者提出了ATSS（自适应训练样本选择）方法，该方法能够自动根据真实框（GT）的相关统计特征自适应地选择合适的样本，从而提升模型性能。

主要工作

指出Anchor-Free和Anchor-Based方法的根本差异主要来源于正负样本的选择；提出ATSS（自适应训练样本选择）方法来根据对象的统计特征自动选择正负样本；证明每个位置设定多个anchor是无用的操作；不引入其它额外的开销，在MS COCO上达到SOTA。

4.1 Anchor-Based和Anchor-Free的区别分析

由于FCOS是基于point进行预测，故可以认为就是一个像素位置有一个anchor。为了公平对比，将RetinaNet的anchor也设置为1个(#A=1)，将FCOS的训练策略移动到RetinaNet上面，可以发现性能依然是RetinaNet低于FCOS 0.8mAP。排除这个因素后，现在两个算法的区别是：

1. 正负样本定义；

2. 回归分支中从point回归还是从anchor回归；从point回归就是指的每个点预测距离4条边的距离模式，而从anchor回归是指的RetinaNet那种基于anchor偏移量回归的模式。

但作者通过实验分析可以知道，回归分支中从point回归还是从anchor回归对最终影响很小，反而是正负样本定义对结果影响最大。

4.2 ATSS算法流程如下：

论文提出ATSS方法，该方法根据目标的相关统计特征自动进行正负样本的选择，具体逻辑如算法1所示。对于每个GT box g，首先在每个特征层找到中心点最近的k个候选anchor boxes（非预测结果），计算候选box与GT间的IoU U_g，计算IoU的均值m_g和标准差v_g，得到IoU阈值t_g=m_g+v_g，最后选择阈值大于t_g的box作为最后的输出。如果anchor box对应多个GT，则选择IoU最大的GT。

均值m_g表示预设的anchor与GT的匹配程度，均值高则应当提高阈值来调整正样本，均值低则应当降低阈值来调整正样本。标准差v_g表示适合GT的FPN层数，标准差高则表示高质量的anchor box集中在一个层中，应将阈值加上标准差来过滤其他层的anchor box，低则表示多个层都适合该GT，将阈值加上标准差来选择合适的层的anchor box，均值和标准差结合作为IoU阈值能够很好地自动选择对应的特征层上合适的anchor box。

根据统计原理，大约16%的anchor box会落在[m_g+v_g,1]，尽管候选框的IoU不是标准正态分布，但统计下来每个GT大约有0.2×kL个正样本，与其大小和长宽比无关，而RetinaNet和FCOS则是偏向大目标有更多的正样本，导致训练不公平；其中ATSS仅有一个超参数k，并且实验表明ATSS的性能对k不敏感，参数k在区间[7,17]几乎是一样的，过大的设置会导致过多的低质量候选anchor，而过小的设置则会导致过少的正样本，而且统计结果也不稳定。总体而言，参数k是相对鲁棒的，所以ATSS几乎是hyperparameter-free的。

将ATSS应用到RetinaNet和FCOS上测试效果：

将RetinaNet中的正负样本替换为ATSS，AP提升了2.9%，这样的性能提升几乎是没有任何额外消耗的。在FCOS上的应用主要用两种：lite版本采用ATSS的思想，从选取GT内的anchor point改为选取每层离GT最近的top-k个候选anchor point，提升了0.8%AP；full版本将FCOS的anchor point改为长宽为8S的anchor box来根据ATSS选择正负样本，但仍然使用原始的回归方法，提升了1.4%AP。两种方法找到的anchor point在空间位置上大致相同，但是在FPN层上的选择不太一样。从结果来看，自适应的选择方法比固定的方法更有效。

论文还补充测试了不同anchor数下的性能，并且其实验结果证明，在每个位置设定多个anchor box是无用的操作，关键在于选择合适的正样本。

实验结果

参考文献

ATSS : 目标检测的自适应正负anchor选择，很扎实的trick | CVPR 2025 - 知乎 (zhihu.com)

# linux  # ai  # 区别  # cos  # 对象  # 算法  # 自适应  # 多个  # 标准差  # 均值  # 两种  # 是从  # 长宽  # 则应  # 有一个  # 正态分布 

相关栏目： 【 网站优化151355 】 【 网络推广146373 】 【 网络技术251813 】 【 AI营销90571 】

相关推荐： 如何在万网自助建站平台快速创建网站？  googleplay官方入口在哪里_Google Play官方商店快速入口指南  Bootstrap CSS布局之列表  php中::能调用final静态方法吗_final修饰静态方法调用规则【解答】  QQ浏览器网页版登录入口 个人中心在线进入  创业网站制作流程,创业网站可靠吗？  Python文本处理实践_日志清洗解析【指导】  javascript中数组（Array)对象和字符串（String)对象的常用方法总结  如何在不使用负向后查找的情况下匹配特定条件前的换行符  如何在IIS管理器中快速创建并配置网站？  在线制作视频的网站有哪些,电脑如何制作视频短片？  EditPlus 正则表达式 实战(3)  专业商城网站制作公司有哪些,pi商城官网是哪个？  Laravel如何创建自定义Facades？（详细步骤）  Laravel如何使用Socialite实现第三方登录？（微信/GitHub示例）  如何用VPS主机快速搭建个人网站？  如何在阿里云通过域名搭建网站？  详解jQuery中基本的动画方法  Laravel的契約(Contracts)是什么_深入理解Laravel Contracts与依赖倒置  如何用手机制作网站和网页,手机移动端的网站能制作成中英双语的吗？  Gemini怎么用新功能实时问答_Gemini实时问答使用【步骤】  Laravel集合Collection怎么用_Laravel集合常用函数详解  Laravel怎么解决跨域问题_Laravel配置CORS跨域访问  Python文件流缓冲机制_IO性能解析【教程】  如何快速辨别茅台真假？关键步骤解析  如何在建站宝盒中设置产品搜索功能？  Laravel怎么发送邮件_Laravel Mail类SMTP配置教程  网站优化排名时，需要考虑哪些问题呢？  Laravel 419 page expired怎么解决_Laravel CSRF令牌过期处理  Laravel如何获取当前登录用户信息_Laravel Auth门面使用与Session用户读取【技巧】  百度输入法ai面板怎么关 百度输入法ai面板隐藏技巧  如何用低价快速搭建高质量网站？  JavaScript中的标签模板是什么_它如何扩展字符串功能  javascript如何操作浏览器历史记录_怎样实现无刷新导航  如何在橙子建站上传落地页？操作指南详解  Laravel与Inertia.js怎么结合_使用Laravel和Inertia构建现代单页应用  Windows驱动无法加载错误解决方法_驱动签名验证失败处理步骤  Laravel Eloquent模型如何创建_Laravel ORM基础之Model创建与使用教程  图片制作网站免费软件,有没有免费的网站或软件可以将图片批量转为A4大小的pdf？  中山网站推广排名,中山信息港登录入口？  JavaScript如何实现倒计时_时间函数如何精确控制  uc浏览器二维码扫描入口_uc浏览器扫码功能使用地址  Laravel全局作用域是什么_Laravel Eloquent Global Scopes应用指南  Laravel Asset编译怎么配置_Laravel Vite前端构建工具使用  Android实现代码画虚线边框背景效果  Bootstrap整体框架之CSS12栅格系统  Linux网络带宽限制_tc配置实践解析【教程】  网站制作价目表怎么做,珍爱网婚介费用多少？  如何快速搭建自助建站会员专属系统？  Laravel如何为API编写文档_Laravel API文档生成与维护方法