【小目标检测】Group Sampling for Scale Invariant Face Detection
了解一些基础内容：
FPN（Feature Pyramid network）？
参考：https://blog.csdn.net/weixin_40683960/article/details/79055537
RPN（Region Proposal Network）？
论文解析参考：https://blog.csdn.net/u014380165/article/details/101418816
论文链接：http://openaccess.thecvf.com/content_CVPR_2019/papers/Ming_Group_Sampling_for_Scale_Invariant_Face_Detection_CVPR_2019_paper.pdf
《Group Sampling for Scale Invariant Face Detection》
（对于人脸检测的不同尺度的分组采样）
出处：西安交通大学 微软亚洲研究院
作者的主要思想
之前的网络结构FPN和SSD，通常使用多个layer的不同空间精度预测不同规模的目标，简言之，高精度图预测小目标；作者发现没有必要使用多个layer来预测不同规模的人脸，关键是要均衡不同规模的正样例和负样例的数量，作者就提出了分组采样方法（a group sampling method），该方法基于不同规模（scale）将所有anchor分为若干组，确保在训练过程中每组的采样数量都是相同的。在使用过程中使用最后一层的FPN作为feature。（常见方法多关心类别间的不均衡，没有留意过样例的均衡性，因而该想法比较新颖）
Motivation：Scale Imbalance Distribution（动机：不均衡的规模（scale）分布）
以Resnet50的网络结构为例，图三简单的分析了网络结构：
图3中网络结构包含5个卷积块，其中conv2（C2），conv3（C3），conv4（C4），conv5（C5）分别进行1*1的卷积进行变通道数后，和上采样操作后，对不同特征层进行特征融合；anchor scale为{16，32，64,128}，aspect ratio = 1，最终的输出特征图分别为{P2，P3，P4，P5}。
使用图3比较了5种不同类型的检测器：
- RPN：C4作为预测层，所有anchor除以尺度16（titled with stride 16 pixels）
- FPN：{P2，P3，P4，P5}作为检测层，anchor scale为{16，32，64,128}，特征步长为{4，8,16,32}；
- FPN-finest-stride：所有的anchor都是出自P2，特征步长为{4，8,16,32}，anchor scale为{16，32，64,128}；
- FPN-finest：所有的anchor都是出自P2，每个anchor的步长为4；
- FPN-finest-sample：和FPN-finest参数设定相同，另外使用了分组采样方法均衡不同规模的训练样例。
具体参数细节查看图1
通过以上5个不同检测器的对比实验得出结论如下：
1.使用多个layer的feature(对于预测小目标)作用不大：查看图1中的（b）和（c），二者的区别在于FPN使用多层layer，而FPN-finest-stride使用单层layer。查看表1，发现二者AP值几乎相同。这里实验证明FPN之所以有效，并不是预测的特征层数量增加导致的，而是深层和浅层的特征融合。其实这点也体现在SSD上，SSD也是基于多个特征层进行预测，但是没有做高层和浅层的特征融合，所以SSD对小尺寸目标检测效果不怎么好，结合Figure2，FPN和FPN-finest-stride在样例分布上几乎相同。
2.规模（scale）不均衡分布影响较大：通过比较FPN-finest-stride和FPN-finest，FPN-finest设定的步长都是4。（Table 1）FPN-finest在Easy和medium上面的ap值是优于FPN-finest-stride；（Figure 2）FPN-finest中拥有更多大anchor，当步长是16时，FPN-finest的样本量少于FPN-finest-stride的样本量，可以明显发现在Hard目标预测时，FPN-finest-stride在Hard目标预测结果ap值明显更好；
通过以上的实验分析，作者提出使用分组采样进行样本量规模均衡，实验结果中样本均衡后如Figure2中的图e一样，当样本均衡后，相应模型表现与其他四种方法相比较，效果最好（Table1中的FPN-finest-sampling）。
Group Sampling Method
1.anchor matching strategy
两步走策略（two-pass policy）：
首先使用anchor去匹配所有ground truth box，并赋予正负样本标签。但是有些ground-truth可能找不到匹配的anchor，此时进行第二步，为没有找到可以匹配anchor的ground-truth进行anchor匹配。
具体操作如下：
所有参数：Anchor集合为
，是anchor的索引i，n是anchor的总量。Ground truth box集合
，j是ground truth的索引，m是ground truth的总量。在匹配过程中，匹配矩阵为：
；
第一步：为每一个anchor 匹配所有的ground-truth，找到最大的IoU.记作：
，基于以下公式赋予标签：
是预设的阈值（实验中：
），1：正样本标签；0：负样本标签；-1：此标签在训练中，忽略相应的anchor；
第二步：在第一步操作中有一些ground truth box没有找到匹配的anchor。假设没有被匹配的ground truth box ，寻找出的anchor满足以下三点条件：
1）anchor没有和任何ground truth box进行过匹配；
2）
；
3）
;
2.Group Sampling（分组采样）
通常在训练样本中有两种不均衡情况:
- 正负样本不均衡
- 不同规模（scale）中样例不均衡，给予匹配策略，小目标的ground truth box很难找到匹配的anchor。
之前的关注点都在第一种情况，通常将正负样本比例设定为1:3。但是忽略了第二种不均衡情况。作者提出了分组采样，将所有样本基于scale大小来分组，所以每组中的样本sacle是一样的。然后再进行训练采样时，保持每组取出的数据量是一样的，同时保证每组的正负样本比例为1:3。当某组中无法按照1:3的比例取出特定量的样例时，就使用负样本进行补充。
使用数学公式表示如下
正样本：
；负样本：
；
，总量N是一个常量,且
Training Process
Loss function:分类依然使用softmax loss，回归使用Iou least loss：
Experiments
The effect of the number of training samples
结论：1）随着训练样本N的数量增加，性能也得到提升。2）当N=2048时，性能提升得到饱和。
The effect of the proposed loss
实验结果如表3：
实验结果表明作者提出的loss函数可以有效提升预模型性能。
Comparison with OHEM and Focal Loss
通过实验发现作者的方法在ROC曲线上性能最好。
结论：作者从独特的视角进行观察，找到小目标检测不到的根本原因，以及相应的解决方法，最终得到分组采样算法和lease square IoU loss函数；