2025-12-07 ATSS:正负样本的选择如何决定检测性能 ATSS:正负样本的选择如何决定检测性能 正文:在目标检测领域,一个长期困扰研究者的核心问题是:如何为每个目标选择合适的正负样本进行训练?这个看似简单的选择,实际上直接决定了检测模型的性能上限。传统的IoU阈值方法虽然简单直接,但其固定阈值的设定往往无法适应复杂多变的实际场景。直到2020年,ATSS(Adaptive Training Sample Selection)算法的提出,才为这个难题提供了全新的解决方案。传统方法的局限性在ATSS出现之前,目标检测器主要依赖固定的IoU阈值来划分正负样本。以Faster R-CNN为代表的单阶段检测器通常设置一个正样本阈值(如0.5)和一个负样本阈值(如0.4)。当Anchor与真实框的IoU高于0.5时被标记为正样本,低于0.4时被标记为负样本,介于两者之间的样本则被忽略。这种方法存在明显缺陷:固定阈值无法适应不同目标的特性。对于大型目标,合适的阈值可能较高;而对于小型目标,相同的阈值可能过于严格,导致正样本数量不足。这种“一刀切”的策略使得模型在不同尺度目标上的表现差异显著。ATSS的核心突破ATSS算法的创新在于彻底抛弃了固定的IoU阈值,转而根据每个目标的统计特性自适... 2025年12月07日 47 阅读 0 评论