Dynamic R-CNN：通过动态训练实现高质量目标检测.
本文针对faster rcnn的训练过程进行动态分析，提出了动态标签分配策略和动态回归损失函数。前者随着训练进行不断自适应增加rcnn正样本阈值，后者针对回归分支预测bbox的方差减少特点自适应修改SmoothL1 Loss参数。通过这两个自适应操作可以进一步提高目标检测的精度。
1. 训练过程分析
faster rcnn的核心超参数主要是正样本iou阈值，一般都是设置成固定值如$0.5$。不同的固定阈值设置导致的检测精度AP是不一样的，特定的iou阈值对于分布相同的roi增益最大，其余增益比较少。也就是说如果实际项目倾向于无漏报，则iou阈值可以适当降低，反之则可以提高iou阈值。
从图中可以看出，随着训练进行，在固定iou阈值下正样本个数是不断增加的，同时回归误差的方差是不断变小的。这说明随着训练过程进行，预测的bbox质量不断提高，正样本数也是不断增加的，此时采用固定的iou阈值肯定是不完美的；同时随着训练进行，回归误差的方差是不断变小的，采用smooth l1的固定$\beta$也是不完美的，这两个核心参数应该动态变化。
2. 训练过程改进
(1) Dynamic Label Assignment
rcnn的默认设置是正负样本区分阈值是0.5，没有忽略样本。本文动态的思想是：在训练前期，高质量正样本很少，所以应该采用相对低的iou阈值来补偿；随着训练进行，高质量正样本不断增加，故可以慢慢增加iou阈值。其具体操作如下：
\[label = \begin{cases} 1, & \max IoU(b,G) \geq T_{now} \\ 0, & \max IoU(b,G) < T_{now} \end{cases}\]$T_{now}$是要动态调整的参数。做法是首先计算每个ROI和所有gt的最大iou值，在每张图片上选取第$K_{I-th}$个最大值，遍历所有图片求均值作为$T_{now}$，并且每隔$C$个迭代更新一次该参数。
绿色区域是正样本anchor，红色是负样本anchor。随着训练进行，iou阈值在动态增加，一些原本是相对高质量的预测慢慢变成了负样本，整个mAP在提高。
(2) Dynamic SmoothL1 Loss
随着训练的进行，bbox预测值方差会不断变小，反映出高质量预测框不断增加。
可以看出随着训练进行，回归误差的方差在变小，并且越来越集中(反映出高质量样本在增加)，并且不同iou阈值下，分布差异比较大。既然iou的阈值设置会影响输出分布，作者采用带参数的smooth L1 loss来自适应。
\[\text{DSL}(x, \beta_{now}) = \begin{cases} |x|-0.5\beta_{now}, & |x| ≥ \beta_{now} \\ 0.5x^2/\beta_{now}, &|x| < \beta_{now} \end{cases}\]$\beta_{now}$是需要动态确定的。其确定规则是先计算预测值和GT的回归误差，然后选择第$K_{\beta-th}$个最小值，然后在达到迭代次数后，采用中位数作为设置值。
随着训练进行，高质量样本越来越多，回归误差会越来越小，并且高质量的预测框其误差会更小。引入动态$\beta_{now}$减少来修正，来增加高质量部分样本的梯度，可以不断突出高质量预测框的回归误差。
