164、ATSS 自适应训练样本选择替换 TAL：基于统计 IoU 均值加标准差设动态阈值

164、ATSS 自适应训练样本选择替换 TAL：基于统计 IoU 均值加标准差设动态阈值

一、从一次线上事故说起

去年双十一大促前夜，我负责的工业质检模型在产线突然崩了——小目标召回率从92%暴跌到67%。排查了一整夜，最后定位到问题：TAL（Task Alignment Learning）的正负样本分配策略在极端长尾分布下失效了。TAL的top-k策略对密集小目标场景太敏感，一个anchor被多个GT同时匹配时，IoU阈值硬编码的top-k直接导致大量正样本被误判为负样本。

当时我盯着loss曲线，发现TAL的alignment metric在训练初期震荡剧烈，尤其是当GT框尺寸差异超过5倍时，top-k的k值根本没法自适应。这让我想起ATSS（Adaptive Training Sample Selection）——那个被YOLOv5抛弃但被RetinaNet验证有效的方案。ATSS的核心思想很简单：不要硬编码top-k，而是用统计方法动态计算每个GT的IoU阈值。

二、ATSS vs TAL：本质差异在哪

TAL的样本选择逻辑是：对每个GT，计算所有anchor的alignment metric（分类分数^α * IoU^β），取top-k作为正样本。这个k是全局超参，通常设为10或20。问题在于：当GT尺寸差异大时，大GT的候选anchor数量远多于小GT，top-k对小GT不公平。

ATSS的做法更暴力但更鲁棒：对每个GT，计算其所有候选anchor的IoU，取均值和标准差，阈值 = 均值 + 标准差。只有