1 Group Sampling for scale invariant face detection
问题，训练样本中存在两种不均衡：
1 正负样本不均衡，负样本个数远大于正样本个数。
2 不同尺度上训练样本不均衡：比如retinaface在三个尺度上进行人脸检测，每隔尺度上的训练样本个数不均衡（由于基于iou的anchor匹配策略，小的物体更不容易找到合适的anchor）：
不同的方式对应的anchor、stride设定
widerface训练集下不同的方式对应的不同尺度下的正负anchor数量，使用总的训练样本数据进行归一化
在retinaface中，其anchor设定如下：
在retinaface中anchor设定75%都在P2层，但是训练样本却不一定是都在P2层，所以这篇文章没有考虑另外一个不平衡，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，图像中大脸的最大个数肯定比小脸的最大个数要少），但是anchor的不均衡，对训练有影响吗？
在group sampling这篇文章中，给出的解决方案如下：
1 将所有的样本，按照anchor尺度进行分组。
2 在每个组内，对政府样本按照1:3进行采样，各个组之间的训练样本数量保持一致
3 如果那个尺度内的正样本缺失或者未达到要求比例，就在这个组内增加负样本，以确保各个组之间的训练样本数量相同
最后得到的结果如下：
2 freeanchor（不是不需要anchor，只是每个groundtruth对应的anchor不再固定，而是自由可选）
核心思想：手动分配的anchor在一下两种情况存在问题：
1 没有中心特征的细长物体
2 多个物体挤在一起
1 groundtruth的候选anchor：对训练时的每个groundtruth，根据anchor与groundtruth之间的iou排序，取前k个作为该groundtruth的候选anchor
2 学习从候选的anchor中得到最佳匹配的anchor：学习时使用下面的公式(原文)：
学习到的anchor不一定是最对齐的anchor，但却是最有代表性的特征
最终结果：
对细长物体、多个物体拥挤在一起的情况有改善
