极市直播回放丨第66期-旷视朱本金：AutoAssign，目标检测中完全动态的正负样本标签分配方法

Label Assignment主要是指检测器(object detector)在训练阶段区分正负样本，并给feature map的每个位置赋予合适的学习目标的过程。它是目标检测所必需的一个步骤，可以说label assignment的结果直接决定了模型的学习目标，进而决定了模型性能的好坏。现有的代表性方法如RetinaNet、FCOS、FreeAnchor、ATSS 等，虽然已经取得了优异的性能，但仍旧存在过于依赖人工先验和设计、不够自适应等问题。

本次分享，我们邀请到了旷视研究院研究员朱本金，为大家介绍最新相关研究成果，即AutoAssign - 目标检测中完全动态的正负样本标签分配方法。这是一种完全端到端的动态label assignment策略，克服了以往label assignment中存在的问题，实验了SOTA的性能和良好的迁移性。

论文链接：https://arxiv.org/pdf/2007.03496.pdf

在极市平台公众号后台回复“66”或“朱本金”即可获取视频下载地址~

➤详情传送门

极市直播丨旷视朱本金：AutoAssign，目标检测中完全动态的正负样本标签分配方法

➤分享大纲

一、Label Assignment背景及现状
1、问题定义
2、现有方法的有效性及问题
二、AutoAssign原理解析
1、Motivation
2、Prior - Center Weighting
3、Instance - Confidence Weighting
三、AutoAssign实验结果及分析
1、消融实验
2、可视化及分析
3、性能和适用性
四、总结及展望

➤回放视频在这里☟（建议在pc端观看）

➤部分PPT截图