Contrastive DeNoising Training

[Whp888]

作者您好： 感谢您的贡献！您的这篇论文我读了好多遍，源码也成功的复现了。 但我一直对您的这篇论文的CDN这一部分的改进有一点困惑： 假设某一张特征图有两个Init Anchors（一个IOU是0.7,另一个IOU是0.5），原来的Matching会直接把这两个Anchors直接预测给一个物体，但经过CDN后，CDN会把IOU为0.7的直接归为正样本，IOU为0.5的归类为负样本（让其去预测背景），这样就完美了；但就是说根据这个策略，假如下一张输入的特征图上面没有IOU为0.7的Anchor，只有IOU为0.5的Anchor，那原来没有CDN的话，直接根据Matching的话模型还会预测一个0.5的框出来（好歹还有一个对的），但是有CDN之后，模型直接把IOU为0.5的框直接预测为负样本了（就相当于一个框都没有了）。我想问一下您我上面假设的这种情况存在吗？CDN是让后面的这种情况变得更差了还是会去怎样处理？ 期待您的回复！ 谢谢！

[HaoZhang534]

作者您好： 感谢您的贡献！您的这篇论文我读了好多遍，源码也成功的复现了。 但我一直对您的这篇论文的CDN这一部分的改进有一点困惑： 假设某一张特征图有两个Init Anchors（一个IOU是0.7,另一个IOU是0.5），原来的Matching会直接把这两个Anchors直接预测给一个物体，但经过CDN后，CDN会把IOU为0.7的直接归为正样本，IOU为0.5的归类为负样本（让其去预测背景），这样就完美了；但就是说根据这个策略，假如下一张输入的特征图上面没有IOU为0.7的Anchor，只有IOU为0.5的Anchor，那原来没有CDN的话，直接根据Matching的话模型还会预测一个0.5的框出来（好歹还有一个对的），但是有CDN之后，模型直接把IOU为0.5的框直接预测为负样本了（就相当于一个框都没有了）。我想问一下您我上面假设的这种情况存在吗？CDN是让后面的这种情况变得更差了还是会去怎样处理？ 期待您的回复！ 谢谢！

你好，感谢提问，在cdn部分，总是会同时出现正负样本，所以总会有anchor被匹配到，至于你举的例子不会在matching部分发生，我认为取决于threshold的设置。“CDN是让后面的这种情况变得更差了还是会去怎样处理？”这个我们暂时没有探究过。