目标检测算法，正负样本生成背后的原理拆解

主要观点总结

文章介绍了目标检测中正负样本的区分策略，并总结了不同种类的anchor-based和anchor-free相关算法。详细解释了正负样本的概念，为什么需要进行正负样本采样，以及anchor-free和anchor-based的区别。同时，文中也介绍了典型的目标检测算法，如MTCNN、Faster R-CNN、SSD、FPN和FCOS，并详细描述了它们的正负样本定义和采样策略。

关键观点总结

关键观点1: 正负样本的概念

正样本是想要检测的目标，如人脸；负样本是与GT的IOU值小于阈值的取值。正负样本都是针对于程序生成的框而言，非GT数据。

关键观点2: 为什么要进行正负样本采样？

处理正负样本不平衡问题，提高网络收敛速度和精度，关注真实物体的正样本，并根据其loss调整网络参数。

关键观点3: anchor-free和anchor-based的区别

是否利用anchor提取候选框，anchor-free直接对feature map中每个位置进行回归，不依赖预先定义的锚框。

关键观点4: 典型算法的正负样本定义和采样策略

MTCNN、Faster R-CNN、SSD、FPN和FCOS等算法的正负样本定义和采样策略，以及它们如何匹配正负样本并调整网络参数。

文章预览

以下 文 章来源于微信公众号： GiantPandaCV 作者： 刘庆龙 链接： https://mp.weixin.qq.com/s/WhIVIp0hE00OKcvtyo44Bg 本文仅用于学术分享，如有侵权，请联系 后 台作删文处理 导读 对于目标检测算法，不可避免的接触到正负样本的生成策略等知识点，并且对算法最终效果至关重要。因此，本文将目标检测中正负样本的区分策略进行汇总。涉及了不同种类的anchor-based和anchor-free的相关算法，希望对读者有帮助。 一、正负样本的概念 目前，许多人在看相关目标检测的论文时，常常误以为正样本就是我们手动标注的GT（ground truth），这个理解是错误的，正确的理解是这样的： 首先 ，正样本是想要检测的目标，比如检测人脸时，人脸是正样本，非人脸则是负样本，比如旁边的窗户、红绿灯之类的其他东西。 其次 ，在正负样本选取时，要注意：正样本是与GT的IOU值大于 ………………………………