【检测】Prime Sample Attention in Object Detection

Prime Sample Attention in Object Detection
作者：CUHK SenseTime Joint Lab， NTU

在目标检测中的一个普遍认知就是应该平等的对待每个sample和目标。这篇文章研究了不同的样本对于最终结果的影响。作者认为在每个minibatch中的样本既不是独立的也不是同样重要的，所以一个平均的结果并不能意味是一个更高的mAP。作者提出了Prime Sample的概念并且提出了PISA的结果，主要关注这些样本的训练过程，实验证明关注prime sample而不是hard sample对于训练来说更加有效。在MSCOCO数据集上，PISA表现的比random sampling和hard mining超过了1个百分点。

现在的目标检测办法主要用的是region-based 方法。因此region sample的选择对于检测结果来说是很重要的，然而很多的sample位于图像的背景区域，音系简单的选择所有sample或者随意选择一些是一种不合理的办法。

已经有一些研究表明主要关注一些困难的sample是一个比较有效的办法。代表的有OHEM（？）和Focal Loss。OHEM主要选择hard samples比如说有着高的loss值。Focal Loss是给loss function换了一种形式来强调difficult samples。

然而，什么才是最重要的sample呢？

这项研究提出了2个需要被重点考虑的方面：

1. Sample不应该是独立的或者是相同重要的。本文的研究西安市，应该重点关注了那些和groundtruth有着高iou的samples。
2. 分类和定位是相关联的。尤其是，被很好定位的samples需要以高的confidences来分类（？）

文章重点：

1. 提出了PISA
2. 定义了IoU-HLR
3. 加入了classification-aware regression loss

Related Work：
Impr