A Dual Weighting Label Assignment Scheme for Object Detection阅读笔记

A Dual Weighting Label Assignment Scheme for Object Detection（CVPR2022）阅读笔记

思想遇到瓶颈了，碰巧在摸鱼时候看到的一篇关于分配pos和neg权重的文章，感觉很不错，在这里和大家分享我的摸鱼笔记。

论文来源于2022CVPR，论文链接：https://arxiv.org/abs/2203.09730

笔记1–Table

Article	Aim、Background、Conclusion	Motivation、Contributions
A Dual Weighting Label Assignment Scheme for Object Detection（CVPR2022）	Aim: 分配训练样本pos和neg的损失权重	Motivation：1、作者认为预测的回归框应该具有较高的分类得分和精确的定位，如果所有训练样本权重相同，那么最高类别分数往往不是最好的位置（mismatch）。2、现存的方法，w_pos和w_neg具有高度相关性，且都应用在损失函数中。
	Background:1、现存的强标签分配过程中的静态和动态分配准则都忽略了样本不都是同样重要的事实，实际上具有较高一致性的分类头和回归头在训练中更重要。2、 通过例子，发现软标签分配（例如GFL和VFL）对于不同的anchor（分布不同）产生近似的pos和neg权重，会削弱检测器的性能。
	Conclusion:1、 DW打破了传统检测器耦合加权方法，通过来自不同方面的连续和不一致程度，来动态地分配单独的pos和neg权重给每个anchor。可以直接用于回归分支。和评价指标高度兼容。2、 在MS COCO数据集中，利用不同backbone证明了有效性。3、 对于不同检测头，具有良好的泛化性能。	Contirbutions:主要提出了一种pos和neg权重设计方法

笔记2–Chart

论文主要提出一种分配训练样本pos和neg的损失权重，提出的动机有三个，分别为：
1、现存的强标签分配过程中的静态和动态分配准则都忽略了样本不都是同样重要的事实，实际上具有较高一致性的分类头和回归头在训练中更重要。
2、现存的软标签分配方法（例如GFL和VFL），对于不同的anchor（分布不同）产生近似的pos和neg权重，会削弱检测器的性能。
3、现存的标签分配方法主要是涉及pos权重函数，而neg权重简单地从pos权重获得，因为没有新的监督信息提供给neg权重，从而对检测器的能力进行了限制。

所提出关于pos和neg权重的设计方法：