2022-09-06-组会

ATSS与Oriented R-CNN

区别

ATSS原论文是将ATSS这种动态划分正负样本策略应用在one-stage的RetinaNet(anchor-based)t和one-stage的FCOS(anchor-free)

one-stage中能够匹配到目标的候选框（正样本）个数一般只用十几个或几十个，而没匹配到的候选框（负样本）大概有 10^4 - 10^5 个。

选出来的proposal直接就相当于正样本了

容易出现正负样本不均衡，所以要平衡正负样本

anchor=>proposal(positive sample)

---

Oriented R-CNN(anchor-based)是two-stage的检测器，它把正负样本的划分了2个步骤，每个stage各一个步骤。

在第一阶段先选出一些候选框proposal（如Faster R-CNN 的rpn），大概2000个左右;

在第二阶段再从proposal中筛选出正负样本，虽然这时正负样本也是存在不均衡的，但是(10 ：2000) 相对（10 : 10^4 - 10^5 )好了很多。

这也是为什么普遍two-stage的检测器比one-stage的检测器的精度要高一些的原因之一。

anchor=>proposal=>positive sample

应用

如果我要将ATSS应用在Oriented R-CNN中，我是应该要应用在第一阶段还是应用在第二阶段，还是都应用，这么做的提升效果？

如果我应用在第一阶段: anchor=>proposal， 相当于是提出了动态划分proposal策略（理论上来说可以应用）

而且Oriented R-CNN的在第一阶段的rpn-head中encoder-decoder就是采用的是6元组(midpointoffset)的表达形式。

一些假想:

第一阶段，动态划分proposal，假设是Fast R-CNN中的数据规模，划分出1000-5000个; 数据规模相比与2000来说变化不大，会有提升效果么？
如果不改变第二阶段，当我筛出10:5000， 和原本的10:2000来说是不是负优化了？

---

如果我应用在第二阶段: proposal=>positive sample

感觉上不能直接用ATSS，因为ATSS是从所有anchor中选中心点与GT最近的topK个anchor，我不清楚从proposal开始，是否也有足够数量的proposal支持我这么做

而且Oriented R-CNN的在第二阶段的rcnn-head中encoder-decoder已经回归到5元组(xywha)的表达形式了，也就不涉及表达转换。

所以将ATSS应用在two-stage检测器中真的有意义么，可能只有实验才能验证。

表达转换

我觉得直接使用Oriented R-CNN中的转换公式就行了

encoder:

decoder:

如果要设计公式，我觉得也是在loss部分

ATSS额外加入了 centerness 分支，这部分也要计算loss

---