Chrome 为调试专门提供的这些函数吗？

看起来稍微有点复杂，但其实就是用网络输出的 prob 代表分类，网络输出和 gt 的 IoU 代表回归，做了加权几何平均，再加一个类似于 inside gt box 的空间先验。加权几何平均和空间先验在后面都分别做了 ablation。

这就是研究者提出的 POTO 策略，它进一步地提升了无 NMS 下的性能，也侧面验证了 loss 并不一定是最好的 cost[3]。但从 Table 1 中也发现了，POTO 的性能依旧不能匹敌 one-to-many+NMS 组合。研究者认为问题出在两个方面：

one-to-one 需要网络输出的 feature 非常 sharp，这对 CNN 提出了较严苛的要求（这也是 Transformer 的优势）；

one-to-many 带来了更强的监督和更快的收敛速度。

于是分别用 3D Max Filtering 和 one-to-many auxiliary loss 缓解如上问题。

3D Max Filtering
 

研究者设计了两种 hand-crafted one-to-one assignment 方法，分别模仿 RetinaNet（基于 anchor box）和 FCOS（基于 center 点），尽可能做最小改动，发现已经可以将有无 NMS 的 mAP 差距缩小到 4 个点以内。

但研究者认为手工设计的 label assignment 规则会较大地影响 one-to-one 的性能，比方说 center 规则对于一个偏心的物体就不够友好，而且在这种情况下 one-to-one 规则会比 one-to-many 规则的鲁棒性更差。所以认为规则应该是 prediction-aware 的。研究者首先尝试了 DETR 的思路，直接采用 loss 做 bipartite matching 的 cost[2] ，发现无论是绝对性能还是有无 NMS 的差距，都得到了进一步的改善。

但他们知道，loss 和 metrics 往往并不一致，它常常要为优化问题做一些妥协（比如做一些加权等等）。也就是说，loss 并不一定是 bipartite matching 的最佳 cost。因而研究者提出了一个非常简单的 cost：
 

那直接做 one-to-one assignment 的方法是否存在呢？其实是有的。上古时代有一个方法叫 MultiBox，对每个目标和每个预测做了 bipartite matching，DETR 其实就是将该方法的网络换成了 Transformer。此外还有一个大家熟知的方法：YOLO，YOLO 也是对每个目标只匹配一个 grid[1] ，只不过它是采用中心点做的匹配，而且有 ignore 区域。

Prediction-aware one-to-one

于是接下来的问题就是，在 dense prediction 上能不能只依赖 one-to-one label assignment，比较完美地去掉 NMS？研究者首先基于去掉 centerness 分支的 FCOS，统一网络结构和训练方法，用 Focal Loss + GIoU Loss，做了如下分析实验：
 

合规措施建议：

• 企业在个人信息的收集时，一定要遵循「合法、正当、必要」的原则;
• 必须要征得当事人同意;
• 设置显著标识;
• 只做流量收集，不做任何存储，并做到及时删除。

4. 上外女生起诉某知名互联网平台侵犯隐私

某学生在使用某知名互联网公司开发的 App 时，发现其个性化推送广告、滥用地理位置信息已构成侵犯其隐私，故决定起诉该 App 的母公司。2019 年 11 月，该学生在使用某知名 App 时发现，其首页会通过电子信息的方式向用户推送商业广告，且这些商业广告可以准确定位到用户所在地区。用户在浏览该 App 对应的网站版本首页时无法拒绝接收这些频繁出现的商业广告。

合规措施建议：

• 用户有完全自主选择权限的权利，企业应该严格按照法律规定及《隐私政策》的规定执行用户的选择;
• 制定简约清晰的《隐私政策》。

（编辑：周口站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!