通往Anchor-Free的真相：Object Detection的正負樣本定義
在物件偵測的發展中，Faster-RCNN所使用的anchor在往後的幾年主導了高精度detector的發展。隨著2019年許多高精度的anchor-free方法提出，anchor似乎已經不是高精度detector的必需品。如果說2019年是anchor-free大爆發的一年，那麼今年 (2020年) 就是深入研究anchor與object detection關係的一年。近期一派研究指出：其實anchor-based與anchor-free的關鍵差異在於正負樣本的定義，anchor只是一個恰好方便定義正負樣本的依據。而定義優質的正負樣本是訓練一個好的detector不可或缺的一步。
追本溯源，正負樣本問題其實是dense object detection的根本性問題。因為正負樣本是訓練detector前必須定義的資訊，不論是focal loss或OHEM (online hard example mining)試圖解決的樣本數不均問題，或者是今年 (2020年) MAL (Multiple Anchor Learning)、ATSS (adaptive training sample selection) 、PAA (probability anchor assignment) 試圖處理的樣本定義問題。
文章難度：★★★★☆
閱讀建議： 文章第一段介紹 dense object detection的發起點與設計，並介紹在物件偵測任務中的正、負、忽略樣本。第二段介紹 anchor與 IoU threshold，並且討論 anchor-free與 anchor-based在正負樣本定義的差異。第三段則是介紹今年 (2020年) 兩個有名的 training sample selection / anchor assignment方法 ATSS與 PAA。整篇文章不細部討論其他如網路架構等內容，著重在物件偵測正負樣本的問題淵源與定義設計。
推薦背景知識： object detection, feature pyramid network, focal loss, RetinaNet, FCOS, IoU threshold, YOLO, Faster-RCNN.
Dense Object Detection
未知的物件數目
物件偵測在問題的本質有一個相當困難的點：無法預先知道有多少物件需要預測。換句話說，演算法的輸出為一組 (多個不定數量) 的物件描述。
