RFAssigner：面向稠密目标检测的通用标签分配策略
计算机视觉与模式识别
2026-01-06 v1
摘要
标签分配是训练稠密目标检测器的关键组件。最先进的方法通常为每个训练样本分配正负权重，在训练期优化分配方案。然而，这些策略常为小目标分配不足的正样本，导致尺度不平衡。在此基础上，我们引入 RFAssigner，一种旨在增强稠密检测器多尺度学习能力的新型分配策略。RFAssigner 首先使用基于点的先验建立初始正样本集合，然后利用高斯感受野（GRF）距离衡量未分配候选位置与真实目标之间的 GRF 相似性。基于此度量，RFAssigner 从未分配的候选池中自适应选择补充正样本，以促进跨尺度更均衡的学习过程。在具有不同目标尺度分布的三个数据集上进行的全面实验验证了该方法的有效性和通用性。值得注意的是，一个装配有 RFAssigner 的单一 FCOS-ResNet-50 检测器在所有目标尺度上均实现了最先进的性能，持续优于现有策略，无需额外模块或启发式方法。
关键词
引用
@article{arxiv.2601.01240,
title = {RFAssigner: A Generic Label Assignment Strategy for Dense Object Detection},
author = {Ziqian Guan and Xieyi Fu and Yuting Wang and Haowen Xiao and Jiarui Zhu and Yingying Zhu and Yongtao Liu and Lin Gu},
journal= {arXiv preprint arXiv:2601.01240},
year = {2026}
}