1 Group Sampling for scale invariant face detection
問題，訓練樣本中存在兩種不均衡：
1 正負樣本不均衡，負樣本個數遠大於正樣本個數。
2 不同尺度上訓練樣本不均衡：比如retinaface在三個尺度上進行人臉檢測，每隔尺度上的訓練樣本個數不均衡（由於基於iou的anchor匹配策略，小的物體更不容易找到合適的anchor）：
不同的方式對應的anchor、stride設定
widerface訓練集下不同的方式對應的不同尺度下的正負anchor數量，使用總的訓練樣本數據進行歸一化
在retinaface中，其anchor設定如下：
在retinaface中anchor設定75%都在P2層，但是訓練樣本卻不一定是都在P2層，所以這篇文章沒有考慮另外一個不平衡，不同尺度下anchor的均衡？（但是不同尺度下的anchor很自然的就不均衡，圖像中大臉的最大個數肯定比小臉的最大個數要少），但是anchor的不均衡，對訓練有影響嗎？
在group sampling這篇文章中，給出的解決方案如下：
1 將所有的樣本，按照anchor尺度進行分組。
2 在每個組內，對政府樣本按照1:3進行採樣，各個組之間的訓練樣本數量保持一致
3 如果那個尺度內的正樣本缺失或者未達到要求比例，就在這個組內增加負樣本，以確保各個組之間的訓練樣本數量相同
最後得到的結果如下：
2 freeanchor（不是不需要anchor，只是每個groundtruth對應的anchor不再固定，而是自由可選）
核心思想：手動分配的anchor在一下兩種情況存在問題：
1 沒有中心特徵的細長物體
2 多個物體擠在一起
1 groundtruth的候選anchor：對訓練時的每個groundtruth，根據anchor與groundtruth之間的iou排序，取前k個作爲該groundtruth的候選anchor
2 學習從候選的anchor中得到最佳匹配的anchor：學習時使用下面的公式(原文)：
學習到的anchor不一定是最對齊的anchor，但卻是最有代表性的特徵
最終結果：
對細長物體、多個物體擁擠在一起的情況有改善
