单阶段目标检测器从噪声Anchor中学习.
目前最先进的目标检测器依赖于人为设置一系列可能的Anchor并回归和分类，这些Anchor根据它们与相应的GT的IoU分为正样本和负样本。这样的设置方法会导致歧义性标签的产生，这可能会产生噪音，并且对训练具有挑战性。
作者通过设计与Anchor相关联的cleanliness score来缓解由不完美的标签分配产生的噪声影响。在不增加任何额外计算开销的情况下估计出的cleanliness score，不仅可以作为软标签来监督分类分支的训练，而且作为样本重加权因子来提高定位和分类精度。
根据IOU选出的TOP-N样本分别作为候选正样本$A_{pos}$和候选负样本$A_{neg}$，并为其设置软标签：
\[c = \begin{cases} \alpha\cdot \text{loc_a} + (1-\alpha)\cdot \text{cls_c}, & b \in A_{pos} \\ 0, & b \in A_{neg} \end{cases}\]loc_a表示定位置信度，采用预测box和对应的GT之间的IOU衡量；cls_c表示分类置信度，通过网络head直接预测。
对于候选正样本$A_{pos}$，作者进一步引入了损失函数的软权重：
\[r = \left( \alpha\cdot f(\text{loc_a}) + (1-\alpha)\cdot f(\text{cls_c}) \right)^\gamma\]其中$f(x)=1/(1-x)$，和$γ$都是用来增大方差的。
