解读《Bridging the Gap Between Anchor-based and Anchor-free Detection》
张士峰大佬近期发了一篇论文解读Anchor-base和Anchor-free方法间的差别，其本质在于正负样本的选取方式不同。
论文：《Bridging the Gap Between Anchor-based and Anchor-free Detection via Adaptive Training Sample Selection》
链接：https://arxiv.org/abs/1912.02424
知乎解读（作者本人出没）：https://www.zhihu.com/question/359595879
Anchor-base和Center-base的区别？
有读过FCOS的朋友还记得， FCOS是先判定正负样本的中心点，然后以中心点来回归boundingbox的：
其实这种方式和RetinaNet这种anchor-base的方法本质上大同小异，只不过一个是在Anchor的基础上做回归，另一个把Anchor换成了中心点而已。文章中首先探究了FCOS相比RetinaNet有一些improvements，包括：
- GroupNorm
- GIoU
- GT Box
- Centerness
- Scalar
把这些improvements用在RetinaNet上：
也能够使RetinaNet从AP32.5提升到37，这样二者之间的gap只有0.8了，而这0.8的gap可能来自于两点：
- Classification的方式不同，即正负样本的选取方式不同
- Regression的方式不同，一个基于anchor，一个基于point
作者通过试验证明了，anchor-base和anchor-free的gap主要来自于第一点：classification，及核心区别在于二者正负样本的选取方式不同。具体有什么样的不同，如下图：
第一行是RetinaNet，第二行是FCOS。
对于RetinaNet，其回归的基点是anchor，首先要判定哪些anchor是正样本，哪些anchor是负样本，然后在正样本anchor的基础上再做位置的回归。而判定anchor是否是正样本，是通过计算anchor和groundtruth的IoU来完成的，这样做的缺陷很明显，anchor是正样本还是负样本非常受限于anchor的设计，比如第一行RetinaNet中可以看到，蓝色的groundtruth包含了6个anchors，但是受限于anchor的大小，他们的IoU没有达到阈值要求，因此这些anchor都被判定成了负样本，显然这样是不太合理的。
而对于FCOS，作为center-base的方式，是通过判定feature上的每个点是否落入到groundtruth中来判定正负样本的，很显然这样就摆脱了类似于anchor这种受限于hard-craft的缺陷， 这也是FCOS效果优于RetinaNet的原因：基于center的方式，能够更有效的选取正样本。
一种“自适应”的训练样本选取方式ATSS
既然我们已经知道，Center-base和Anchor-base的区别在于正负样本的选取上，那怎样去弥补这种缺陷呢？作者提出了一种Anchor-base的基础上，自适应选取正负样本的方式，ATSS。
ATSS的伪代码：
流程大概是：
- 对于每个groundtruth，计算每个anchor到groundtruth的L2 distance，保留距离较近的anchor作为备选正样本anchor集合
- 对于备选正样本anchor
中的每个anchor， 计算和其对应groudtruth的IoU
，然后计算
和标准差
- 选取
作为IoU的阈值，只有
的anchor被选为正样本anchor
- 保持正负anchor的总数一定
作者还证明了算法对于ATSS中anchor的大小这个超参数设计不敏感，达到了自适应。
几点思考
- 在本博客开头的链接里面很多大佬都对这篇论文发表了看法，ATSS仍旧有硬伤，本质上仍旧有设计上的超参数存在，hard-craft的痕迹很重，实际上我也觉得离"adaptive"这个目标还有一定距离。
- 文章的实验和分析还是很清晰的，读完这篇文章我们应该能体会到，anchor的这种方式本质上还是存在着label-assign的问题，能解决这个问题，也许能使得performance显著的提升。