目标检测tricks总结(记录)

1. Anchor

  可以根据实际任务，修改anchor预设的大小和scale ，也就是说stride + anchor ratio + anchor scales都可以调整，选择不同stride确定了feature map的大小，stride就是说下采样的比例，4就是256*256变成64*64，ratio确定了纵横比和尺度。

 

2. IoU loss与focal loss

• IoU loss：用来计算pred box与ground true之间的差异，用来边界框损失函数的计算；
• focal loss：用来平衡正负样本不均衡的问题，由RetinaNet提出使用与One-Step目标检测算法上的一个技巧

IOU的进化史可以分为Smooth L1 loss、iou loss、giou loss、diou loss、ciou loss， α-iou

        具体那个IOU可以查一下

focal loss 出资retinanet，计算流程如下：

focal loss也有一些问题，如果让模型过多关注 难分样本 会引发一些问题，比如样本中的离群点（outliers），已经收敛的模型可能会因为这些离群点还是被判别错误，总而言之，我们不应该过多关注易分样本，但也不应该过多关注难分样本；

focal loss变体 ：

• Equalized Focal Loss：Equalized Focal Loss for Dense Long-Tailed Object Detection

         就是说focal对于所有的类都一样，而这里认为存在不同类别的正负样本不均衡性的问题，意思就是，对于长尾数据集中的长尾数据来说，正样本更少了，意思是正负样本就更不均衡了，所以需要r变大点，对稀少样本的负样本加以抑制，所以rb就是focal中的r，多了一个rvj就是说对于不同的类别设置的不同，对于稀少样本rvj更大