faster rcnn中的类别不均衡问题

前言

faster rcnn是17年前后He Kaiming应用比较广泛的大作之一，是典型的二阶段方法，其中有哪些比较好的处理类别不均衡的思想呢？可以从论文中窥探一二~

多看论文啊~

1，论文中的解决方法

• 根据前景score的高低过滤得到可能是前景的exam，约1k~2k个，这样可过滤掉大部分简单负样本；

• 根据IoU的大小来调整正负样本比，比如1:3，这样可防止负样本过多；

2，Faster RCNN怎么筛选正负anchor

• 给两种锚点分配一个正标签
  • 1. 具有与实际边界框的重叠最高交并比（IoU）的锚点；
  • 1. 具有与实际边界框的重叠超过0.7 IoU的锚点。IoU比率低于0.3，
• 给非正面的锚点分配一个负标签。

3，衍生到通用类别不均衡问题

限制正负样本比例为1:1，如果正样本不足，就用负样本补充，这种方法后面研究工作用的不多。通常针对类别不平衡问题可以从调整样本数或修改loss weight两方面去解决，常用的方法有OHEM、OHNM、class balanced loss和Focal loss。