首先明确物体太小太大都不好检测(都从roi的角度来分析)：   1.小物体： a.本身像素点少，如果从anchor的点在gt像素内来说，能提取出来的正样本少

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　   b.小物体会出现iou过低。具体来说，假设a是一个框，b是一个小框(gt)，就算a的框和b的框重叠的部分占到了b的90%，但是如果a的框比较大，iou还是会低，正样本也就少了，并且容易错判成负样本

　　　　　　　　　　　　　　　　　　　　　　　　　　  2.大物体：大物体也容易出现iou过低。同理，假设a是一个大框(gt),b是一个框，就算a的框和b的框重叠的部分占到了b的90%，但是如果b的框比较小，iou还是会低，正样本也就少了，并且容易错判成负样本

naiyan说过过小和过大的性能都会下降，https://zhuanlan.zhihu.com/p/36431183 这个的评论里面说的

snip从scale的角度解决小物体问题和scale invariance

网络设计：

　　　　整个网络有3个scale,从大到小依次是(480,800)、(800,1200)、(1400,2000)，每个scale对应的像素范围为：[0,80]、[40,160]、[120,正无穷]。

　　　　[0,80]对应(1400,2000)，也就是说大约是把小物体在大像素的图片上检测，中物体在中像素的图片上检测，大物体在小像素的图片上检测。为什么说大约，因为[0,80]、[40,160]都包含了[40，80]这个范围，相当于这个范围的gt同时会在两种resolution上进行识别检测。

　　　　原论文中是说roi不在这个范围内就不选择，一般小像素的定义是32，如果原始的定义就是小物体在大尺寸图片检测，那范围的设定应该是[0,32]、[32,96]、[96,正无穷]，但如果这样去设定，就会忽略掉很多gt框，因为有些gt框的尺寸可能比32大，比如35、45这种，但这些roi却是对训练有帮助的。所以作者这种范围存在交集的方式，比较有效的解决这个问题，但也会出现一个问题，有些gt会在多个网络训练。

　　　　如果是单纯为了达到，小的就在大的尺寸上，大的就在小的尺寸上，其实这个可以把gt的范围设置成[0,32]、[32,96]、[96,正无穷]这种无交集的，roi的范围设置成[0,80]、[40,160]、[120,正无穷]这种有交集的。但是不知道是不是这种单纯在一个尺度上训练会带来更好的效果。

　　　　但作者设计这个交集的目的却是：We have an overlap of 40 pixels over adjacent ranges. These ranges were design decisions made during training, based on the consideration that after re-scaling, the resolution of the valid RoIs does not significantly differ from the resolution on which the backbone CNN was trained.

　　　　1.train阶段：1.ground_truth: ground_truth在尺寸范围内，标记为有效，超过标记为无效。

　　　　　　　　　2.roi：roi在尺寸范围内，标记为有效，超过标记为无效。

　　　　　　　　　3.anchor：anchor与invalid ground_truth的iou大于0.3的不进行反向传播。

　　　　　　　　　ground_truth、roi与anchor有些不同：ground_truth的框如果不在范围内就不会选取，也就是不会与anchor和roi进行assign；roi如果不在范围内，在proposal阶段不会选取作为训练；原论文中说不符合的anchor不进行反向传播，rpn阶段anchor也是选取一定数目并标记正负样本，那这些不符合的anchor是选进了训练里面然后不反传？还是直接不选取？

　　　　这样设计，肯定也会带来每个scale的图片训练的时候，roi个数减少的问题

　　　　 Since in RPN even a one pixel feature map can generate a proposal we use a validity range of [0,160] at (800,1200) for valid ground truths for RPN.这个有点没理解到

　　　　2.test(inference)阶段：

　　　　　　　　　测试阶段anchor和roi都不过滤，而是在每个scale生成框之后，如果框的尺寸不在范围内就过滤掉，最后把所有尺寸有效的框一起用nms。

第二个实验：

　　　　　 1.第一组对比：800和1400

　　　　　　论文中说： training at higher resolutions scales up small objects for better classification, but blows up the medium-to-large objects which degrades performance.作者觉得小物体的性能在放大后应该是提升了，性能提升不明显是因为中等和大的物体的性能下降

　　　　　2.第二组对比：1400只检测80像素以下，1400检测all

　　　　　　首先我会觉得会不会是过拟合，因为数量减少太多？这个不确定；再者，像论文所说的，可能就是因为scale减少，导致检测性能降低，比如测试集中有两个物体是差不多的，但是尺寸不一样；还有可能就是像naiyan说的大物体可以增加语义信息，但这个点我没想通，是指同一种label吗？还是说其他的label也可以？个人更倾向于同一种label。

　　　　　　延伸问题：为什么大物体可以增加语义信息？

　　　　  3.第三组对比：mst和之前3个比

　　　　　　论文中说：It ensures training instances are observed at many different resolutions, but it also degraded by extremely small and large objects.

　　　　　　个人感觉这句话的比较对象应该是和1400all比较的，他说的extremely small and large确实可能会比1400all下降，我自己做image pyramid，特别小的物体，你如果用了很小的scale，确实会下降。个人感觉可能特别大的物体放大特别多也可能下降(这个没做实验)。所以他做出来性能没有原尺寸好，是不是因为他自己的image pyramid的尺寸设计的不好，这个不确定。但是他确实给了一些特别重要的点：a.用image pyramid的时候，用哪些scale其实是有讲究的，并不是越放大或者越放小就好   b.大物体可能放大之后性能下降，也就是说过大的物体可能也不好检测。一个点：image pyramid调的合适，是不是能超过snip呢？个人觉得第三个实验如果好好调参数应该是比1400all性能好的，但是不一定赶得上snip。作者其实是想用这种方式表达，image pyramid可以修改，他的snip其实就是在改image pyramid。

本质上，snip就是在改进image pyramid，相当于还是在不同scale上训练，不同scale共享一个网络、共享参数，但是每个scale不是把所有的gt都拿来训练，而是在每种scale图片上选择相应适合的gt(尺寸适合的gt)进行训练(这个scale适合不是说大的gt用大scale的图片，而是小的gt用大的scale图片，因为小物体需要放大提升性能，大物体需要缩小提高性能)，并且roi也只训练一个范围的scale，anchor也选择一定尺寸范围(只是实现的方式不同)。如果你只选一定范围的gt，不去修改roi阶段的范围，是有问题的。为什么这么说？因为每个scale的gt虽然都在一定范围内，但是roi阶段是3个scale共享的，其实提取出来的roi的size应该是一样的，如果你不这样去过滤，本质上和image pyramid没区别，其实会造成问题，正样本。同理可以推导到rpn的anchor阶段。

待解决：

1.既然实验2说了大小物体一起训练比单独训练小物体好，为什么要在大scale上只用小物体，不加大物体或者中型物体？？

2.anchor阶段为什么不直接用范围去过滤，而要通过这种跟invalid的方式？

3.延伸问题：为什么大物体可以增加语义信息？

4.第一组实验为什么放大了对性能提升不明显？大中型物体检测性能为什么还下降？

目前的detector没有很好解决多尺度的问题，所以每个尺度单独训练

论文到底在讲诉什么问题？

为什么要这样设计能解决问题？

snip类似于图像金字塔，但不同的是他让一定scale的框单独在一个scale的detector上训练和测试，也就是说一个检测器只负责一个尺寸，跟adaboost有点像，而image pyramid是每个检测器都负责所有尺寸。原始的无论是image pyramid还是faster，都是一个检测器训练许多scale，测试的时候，其实也是一个网路检测多个scale，这也就说明，其实目前的检测器并不能很好学习scale这个变量。如果你原本是在大scale上训练的网络，但是要检测小scale的东西可能性能就不好，最有效的方式还是这个网络在训练和测试的时候都处理scale差不多大的物体。

通过这样的一个对比实验，SNIP非常solid地证明了就算是数据相对充足的情况下，CNN仍然很难使用所有scale的物体。个人猜测由于CNN中没有对于scale invariant的结构，CNN能检测不同scale的“假象”，更多是通过CNN来通过capacity来强行memorize不同scale的物体来达到的，这其实浪费了大量的capacity，而SNIP这样只学习同样的scale可以保障有限的capacity用于学习语义信息。

https://blog.csdn.net/qq416261970/article/details/79774909

https://zhuanlan.zhihu.com/p/43579317

https://zhuanlan.zhihu.com/p/35956039

https://zhuanlan.zhihu.com/p/36431183

https://www.imuo.com/a/b9667dec518c3355270e677207a850460ce9ba335dd76ce9dd613115f12c12ed