[人工智能]yolox的正负样本分配策略mmdet代码详解

以mmdet为例，正负样本分配的核心代码在YOLOXHead中的MlvlPointGenerator，SimOTTAssigner，PseudoSampler，_bbox_decode中，其中核心代码在SimOTTAssigner.

yolox是解耦头，输入fpn之后给出的是cls_score：(8,2,80,80)，（8,2,40,40），(8,2,20,20)，bbox_pred：(80,4,80,80)，(80,4,40,40)，(80,4,20,20)，objectness：(80,1,80,80)，(80,1,40,40)，(80,1,20,20)，3个特征图，每个特征图都有3个head，不再组装成一个长head。

1.MlvlPointGenerator.grid_prior

这里面不存在对每个网格生成anchor的操作，yolox是anchor-free的，这里面anchor的生成实际上是点的生成，一共生成了80*80+40*40+20*20=8400个网格点，或者叫大小为1的anchor，同fcos。

2._bbox_decode

对预测分支的预测值和前面生成的点做了组合。

3.YOLOXHead.SimOTTAssigner

yolox的核心，如何给8400个特征图上的点，原图上的框进行正负样本的分配

1.计算所有在gt bbox内部的anchor点的掩码is_in_gts_all;

2.利用center_radius阈值重新计算在gt bbox中心center_radius范围内的anchor点掩码is_in_centers_all;

3.两个掩码取并集得到在gt bbox内部或处于center_radius范围内的anchor点的掩码is_in_boxes_anchor，同时可以取交集得到每个gt bbox和哪些anchor点符合gt bbox内部和处于center_radius范围内的is_in_boxes_and_centers

若此时获取到is_in_gts_or_center：8400，is_In_boxes_and_center：1596,58

1.valid_mask是前面计算出的is_in_boxes_anchor,如果某个位置是True代表anchor点是前景即落在gt bbox内部或者在距离gt bbox中心center_radius半径范围内，这些True位置就是正样本候选点

2.利用valid_mask提取对应的预测信息，num_gt是58，一共提取了1596个候选预测位置，则每个gt bbox都会提取1596个候选位置

3.计算候选预测框和gt bbox的配对iou，然后加log和负数，变成iou的代价函数

4.计算候选框和gt bbox的配对分类代价，同时考虑了objectness预测分支，并且其分类cost在binary_cross_entropy前有开根号的训练trick，

5.is_in_boxes_and_center是(1596,58),如果某个位置是True表示anchor点落在gt bbox内部并且在距离gt bbox中心center radius半径范围内。在计算代价函数时，如果改预测点是False,表示不在交集内部，那么不太可能是候选点，所以给予一个非常大的权重100000，该操作可以保证每个gt bbox最终选择的候选点不会在交集外部

SimOTTAssigner.dynamic_k_matching

4.PseudoSampler.sample

5.loss