Face++的AutoAssign（附源码）
首先，从idea上讲，AutoAssign将label assignment完全做成端到端地（或者实际上是dynamic soft的），并且仅使用了最小先验（仅正样本的candidate location在gt框内部），的确算的上是一篇重量级并很general的作品。
其次，这也是一篇可以预见的paper，具体可以参见Jianfeng Wang（也就是本文二作）在知乎上的回答
如何评价zhangshifeng最新的讨论anchor based/ free的论文?www.zhihu.com在该回答中，Jianfeng犀利地指出ATSS虽然利用统计量“动态”分配了正负样本，但这实际上是一种伪动态，因为样本的分配方式在数据集和网络配置完成之后其实是固定的，并不会随着训练过程而产生更好地调整和变化。正如Jianfeng所说，“有很多个项目，模型本身是一模一样的，但因为数据resolution不同，ground-truth的size不同，每个项目拿过来都要重新调anchor或者调分层参数，不仅是研究员和工程师的精力成本，也是自动化的障碍，在学术上还是更好解scale问题的阻碍；这个事，能不能训练的时候自己就学了？”，于是就有了这篇AutoAssign。
接下来我们深入地理解一下AutoAssign是怎么操作的。
从理念上来讲，AutoAssign跳出了此前object detection所广泛遵循的两个paradigm：
1. 非正即负的assign方式和监督原则。相反，AutoAssign认为每个location众生平等（这里包括FPN各个level），每个location都有正样本属性和负样本属性（即体现在原文中的w+ 和w-）。也就是说，在优化的过程中，有些样本会同时受到来自它为正样本的监督和负样本的监督，两者利用w+和w-来平衡配比。当然，有一点可以提前rule掉，就是不在任何ground-truth box里的location其正样本属性 w+ 必然为0，也就是那些position必然是background。
2. 分开优化classification和regression。相反，AutoAssign利用(4)-(8)式子将两者进行联合，一方面可以更好地简化表示统一优化，另一方面在协助生成正样本置信度（即w+）的时候可以综合考虑分类和定位的情况。
从技术细节上来讲，建议直接从公式(12)入手去看。
先看右半边部分，这个比较好理解，就是每个FPN level的每个location，都拥有负样本属性，由w-来决定强弱，把这个loss算上（当然是用Focal Loss处理的）。w-由后文再说。
再看左边部分，这块理解透其实有点难度。如果和右边对称的来看，一种比较直观的表达式应该长这样：
注意，这里其实也会遍历所有的location，只是那些不在gt box里面的location对应的w+必然为0了。这个表达式其实和论文中使用的（12）式有一些区别，虽然原论文做了一些解释：“To ensure at least one location matches object n, we use weighted sum of all positive weights to get the final positive confidence.”翻译过来的意思是要保证每个gt必须有至少一个location去match上，但以个人浅见，从操作上来讲上式和（12）并没有该解释的区别。原因是w+的计算（后文会说）必然保证了对一个gt的求和为1，即
，w+始终会存在一定的正值的，一定会有match的那个。个人觉得可能的一个原因之一可能与优化存在一定的关系，因为的确会存在某些w+的数值非常接近0，那么-log(0*p)单独优化可能会炸掉，所以不如每个gt的都加在一起放log里面。
这个里面顺带提到一点比较有意思的地方是AutoAssign这个框架优雅地处理掉了重叠框的地方（如果我理解没错的话）。原来FCOS里面处理重叠框的话对于location会选择面积小的那个gt去match，这显然太handcraft了。而这里我不需要管你重叠不重叠，我就每个gt框各自算就行，反正到时候不同gt框对应的w+会慢慢学习慢慢演化出来重叠区域的location究竟归属为哪个。
最后我们讲一讲w-和w+的处理。
w- 手工设计了一个基于max IoU的函数，简单来说，一个location的负样本程度与它动态预测出来框和所有gt框里面最大的IoU相关，越小越接近于负样本。比较直观~
w+ 稍微复杂一些，它由论文中的（10）决定
为了保证竞争和合理的数值范围，有一个类似softmax的操作，因为本来一个gt框里面就只有一部分真正地落在物体上的，那么这些位置就很可能对应了那些较大的w+值。（10）式子中包含C(P)和G(d)两个部分，其中C(P)比较好理解：
与（8）式正相关，也就是说我分类得分高、框预测的准的location拥有较大的w+值的概率就会高；这其实是一种强者恒强的逻辑，这个逻辑在自适应选择正负样本的设定下会存在一个冷启动的问题：如果一开始我一个坏的location恰巧分类和框回归的都还不错，那么它的w+就会很高，也就是说它的权重就会较大，监督训练对它的关照就会不断增大，这样就导致有一些好的location完全没有机会翻盘，让网络学成了一个过拟合的模样。为了能够让好的location翻盘，论文作者引入了G(d)这么一项，这其实是一个经验引入，因为大家都知道，大部分情况下，框的中心通常都是质量较高的正样本的首选（FCOS的assign正样本策略就是如此），所以作者为每个大类学习了一个公共的gaussian prior，它的形状基本上都是从物体的大致中心区域往外渐渐变弱。有了这一项可学习先验的引入，那些更有潜力的好的location就有翻盘的机会。不过，这个可学习的先验的确有一个一眼就能看出来的致命缺陷，就是它仅与类别有关，可能会造成对旋转的不match。就举论文中的一幅图来说：
由于冲浪板通常是长长的，所以冲浪板这个类学习到的prior变成了一个合理的椭圆。然鹅，这个椭圆只是固定左右向的，如果一个斜着的（其实图中就有一个）、甚至是竖着的冲浪板，可能就不是特别合理。当然，从ablation study来看，这个先验有没有是一个巨大的区别，但是否要根据category每个都学一个，还是说就固定一个，可能区别的确相差不太大（0.2左右的AP差别），所以上面那个concern可能也就没那么重要了？
虽然论文没提，但从经验上来讲，训练的时候w+和w-似乎都需要detach掉。
下面是AutoAssign的概念图：
除了Implict Objectness，其他基本都cover了。这个分支原论文的说法是“To suppress false positives from the inferior locations”，也就是说用一个隐式的前景背景二分类对分类预测做一个乘性叠加。注意这个分支是没有额外监督的（也没法有），就是单纯地去scale一下分类的预测。比较意外的是，这个分支带来的作用非常的大，尤其对AutoAssign来说，见下表：
换句话说，没有这个分支，AutoAssign可能也就刚刚到ATSS的性能。关于这个ImpObj分支，作者没有做特别深入的讨论，就个人目前较浅的理解来看有如下几方面值得思考：
（1） 如果检测的类别只有1类，也就是说只有前景和背景，那么这个分支还需要么？如果答案是是，那么它就应该还扮演其他的功能。
（2） 可能有什么其他功能么？有一种可能性是类似FCOS和ATSS中的centerness这个质量预测分支，注意，在测试的时候，centerness是与分类score相乘的，这个操作与这里是非常接近的。
可视化部分，多个weights的结果还是非常reasonable的：
例如，confidence weight的确在合适的FPN stage、以及物体的主要部位形成了较高的weight，并不是无脑地assign在物体框的中心区域。
最后，总结一下AutoAssign：
AutoAssign成功地首次完成了端到端的动态label assignment，我们也能够看到作者团队为了能够让这个idea work的确付出了非常艰辛和充分的努力。相信这个工作也是能够启发非常多的更加深入的探讨和新的idea。另外，最后再总结一些发现的问题，供大家参考和探讨：
1） 重叠框的问题是否的确如我分析所说，被优雅地解决掉了？
2） 训练的时候是否有一些变量需要detach掉？比如w+, w- 么？
3） ImpObj分支是否有更深入的理解？
源码：
https://github.com/open-mmlab/mmdetection/blob/master/configs/gfl/README.md