“ATSS” 全称为 “Adaptive Training Sample Selection”，意为自适应训练样本选择，相关论文的主要内容如下： 核心观点：在目标检测中，anchor-based 和 anchor-free 检测器性能差异的关键在于正负样本的定义方式。如果训练过程中使用相同的正负样本定义，两者性能将无明显差异。基于此，作者提出 ATSS 方法，根据目标的统计特征自动选择正负样本，

1. 论文 1.1 文章讲了什么   目前目标检测领域的做法分为两大类：anchor-based(one-stage vs two-stage)和anchor-free(keypoint-based vs center-based)。anchor-based系列的文章有例如R-CNN系列和YOLO系列。而anchor-free系列的文章是由于FPN和Focal loss的出现，也变得流行起来（

💥 💥💥 💥💥 💥💥 💥💥神经网络专栏改进完整目录：点击 💗 只需订阅一个专栏即可享用所有网络改进内容，每周定时更新 文章内容：针对YOLOv8的Neck部分融合ATSS标签分配策略，实现网络快速涨点！！！ 推荐指数（满分五星）：⭐️⭐️⭐️⭐️⭐️ 涨点指数（满分五星）：⭐️⭐️⭐️⭐️⭐️ ✨目录 一、ATSS介绍二、核心代码修改2.1 修改loss文件2.2

💡本篇内容：【芒果YOLOv8改进ATSS标签分配策略｜第三集】芒果YOLOv8改进组合157：动态标签分配ATSS+新颖高效AsDDet检测头组合改进，共同助力VisDrone涨点1.8%，小目标高效涨点 💡🚀🚀🚀本博客 标签分配策略ATSS改进+ 新颖高效AsDDet检测头组合改进，适用于 YOLOv8 按步骤操作运行改进后的代码即可，教程包括改进源代码 改进如下 💡论文地址：

💡本篇内容：【芒果YOLOv8改进ATSS标签分配策略｜第二集】动态标签分配ATSS + 损失函数NWDLoss组合改进，共同助力VisDrone小目标检测高效涨点 💡🚀🚀🚀本博客 标签分配策略ATSS改进+ 损失函数NWDLoss组合改进，源代码改进 适用于 YOLOv8 按步骤操作运行改进后的代码即可，教程包括源代码 💡论文地址：https://arxiv.org/abs/19

文章目录 前言ATSS算法的基本原理ATSS算法的主要设计步骤算法实现伪代码描述如下：pytorch 分析主要优点：ATSS算法在一定程度上保证了Tiny Object的阳性样本： 原文 前言 作者比较了FCOS和RetinaNet，发现它们之间主要有三个区别：(1)每个位置平铺锚的数量。RetinaNet在每个位置平铺几个锚盒，而FCOS在每个位置平铺一个锚点。(2)正

论文：DETRs with Collaborative Hybrid Assignments Training 代码**：https://github.com/Sense-X/Co-DETR 文章目录 摘要一、简介二、本文方法2.1.概述2.2.协同混合分配训练2.3. 定制的正 Query 生成2.4. Co-DETR为何有效1、丰富编码器的监督2、通过减少匈牙利匹配的不稳定性