提示：在学习faster-rcnn和anchor的时候，对正负样本有点迷惑，记录下
文章目录
Anchor的概念
- Faster R-CNN 定义三组纵横比ratio = [0.5,1,2]和三种尺度scale =
[8,16,32]，可以组合成9种不同的形状和大小的边框。 - YOLO则不是使用预设的纵横比和尺度的组合，而是使用k-means聚类的方法，从训练集中学习得到不同的Anchor。
Yolov3中输入图片大小为416 × 416 × 3，分别经过32倍、16倍、8倍下采样，得到三层特征图，13 × 13 × 255、 26 × 26 × 255、 52 ×52 × 255。
每张特征图上会提前设定3个anchor box。即yolov3中一共9个anchor box。
13 ×13的特征图感受野最大，使用大的anchor(116×90)，(156×198)，(373×326)，
26 × 26特征图使用中等的anchor box (30×61)，(62×45)，(59×119)，适合检测中等大小的目标。
52 × 52特征图感受野最小，使用最小的anchor box(10×13)，(16×30)，(33×23)，适合检测较小的目标。
这些anchor的大小是对于原图像(416× 416)来说的。Anchor的作用是来回归出预测框，当我们标记的ground truth 与anchor 相交时，挑选出IOU最大值所对应的anchor，用这个anchor来回归预测框。
一、正负样本
Loss计算中，主要包含”负责预测目标”（即正样本）和背景（即负样本），以及不参与计算loss的部分.
正样本
如果Ground Truth的中心点落在一个区域中，该区域就负责检测该物体。然后计算这个grid的9个先验框（anchor）和目标真实位置的IOU值（直接计算，不考虑二者的中心位置），取IOU值最大的先验框和目标匹配。
于是，找到的该grid(网格)中的该anchor负责预测这个目标，其余的网格、anchor都不负责。将与该物体有最大IoU的预测框作为正样本。
注意：这里没有用到ignore thresh,即使该最大IoU
; 二、Anchor free中的正负样本
1、FCOS
作为Anchor-free的方法，FOCS直接对feature map中每个位置对应原图的边框都进行回归，如果位置 (x,y) 落入任何真实边框，就认为它是一个正样本，它的类别标记为这个真实边框的类别。可以理解为他是基于物体的一个key point点进行回归的。在实际的anchor-free中也会遇到一些问题，为了解决这些问题，FCOS做了如下工作：
- 为了解决anchor-free的方式在真实边框重叠带来的模糊性和低召回率（不像anchor-based可以有多重不同尺寸的anchor），FCOS采用类似FPN中的多级检测，就是在不同级别的特征层检测不同尺寸的目标。
- 为了解决距离目标中心较远的位置产生很多低质量的预测边框，FCOS提出了一种简单而有效的策略来抑制这些低质量的预测边界框，而且不引入任何超参数。具体来说，FCOS添加单层分支，与分类分支并行，以预测”Center-ness”，可以这这个理解成为一个度量值，于中心距离的一个度量值，与中心点较远，则度量值较低，与中心点越近，度量值越高，以此来让置信度更高的像素产生更高的贡献。
正负样本匹配方式的实现
Step1：分配目标给哪一层预测。 根绝目标的尺寸将目标分配到不同的特征层上进行预测。
具体实现：引入了min_size和max_size，具体设置是0, 64, 128, 256, 512和无穷大。例如，对于输出的第一个预测层而言，其stride=8，负责最小尺度的物体，对于该层上面的任何一个点，如果有gt bbox映射到特征图上，满足0 < max(中心点到4条边的距离) < 64，那么该gt bbox就属于第1层负责，其余层也是采用类似原则。总结来说就是第1层负责预测尺度在0~ 64范围内的gt，第2层负责预测尺度在64~128范围内的gt，以此类推。通过该分配策略就可以将不同大小的gt分配到最合适的预测层进行学习。
Step2：确定正负样本区域。 对于每一层feature map，设定一个以GT中心为圆心，固定半径的圆，如果像素落在该圆内，则标记为positive样本，否则为negative。
具体实现：通过center_sample_radius参数，确定在半径范围内的样本都属于正样本区域，其余区域作为负样本。默认配置center_sample_radius=1.5。例如，第1层的stride=8，那么在该输出层上，对于任何一个gt，基于gt bbox中心点为起点，在半径为1.5*8=12个像素范围内点都属于正样本区域。
Step3：centerness找到目标的中心点。 为了使靠近GT中心的像素能学到更多的信息，故给予他更高的权重，而离GT中心越远的点，贡献则递减。
具体实现：使得离目标中心越近，输出值越大，反之越小。Center-ness的定义如下公式：
可见最中心的点的centerness为1，距离越远的点，centerness的值越小。在推测的时候直接将中心度分数centerness乘到分类分数上，将偏离很远的检测框分值进行惩罚。
总结
FCOS采用物体center的匹配方式来进行回归，在正负样本匹配的时候，采用了top-k的策略进行匹配，并且使用centerness来对不同距离的匹配样本进行不同程度的惩罚，以达到资源倾斜于贡献最佳者的目的。
参考链接
; 2.读入数据
代码如下（示例）：
data = pd.read_csv(
'https://labfile.oss.aliyuncs.com/courses/1283/adult.data.csv')
print(data.head())
该处使用的url网络请求的数据。
总结
提示：这里对文章进行总结：
例如：以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。
Original: https://blog.csdn.net/yiersab/article/details/123396764
Author: 看大海
Title: anchor和正负样本
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/682225/
转载文章受原作者版权保护。转载请注明原作者出处！