4实验
4.1 与IoU度量的对比
1、Comparison in label assignment
Table-1可以看出，与IoU指标相比，NWD的AP最高达到16.1%，比DIoU高了9.6%，说明基于NWD的标签分配可以为小目标提供更高质量的训练样本。
此外，为了分析改进的实质，作者进行了一组统计实验。其中，分别计算在相同的默认阈值下，使用IoU、GIoU、DIoU、CIoU和NWD时，每个gt box匹配的正Anchor的平均数量，分别为0.72、0.71、0.19、0.19和1.05。可以发现，只有NWD才能保证相当数量的正训练样本。
此外，虽然简单地降低基于IoU指标的阈值可以为训练提供更多积极的Anchor，但基于IoU的小目标检测器经过阈值微调后的性能并不优于基于NWD的检测器，这是因为NWD可以解决IoU对小目标位置偏差的敏感性。
2、Comparison in NMS
在本实验中只修改RPN的NMS模块，因为只有RPN中的NMS直接影响检测器的训练过程。可以看出，在训练过程中使用不同的度量来过滤掉多余的预测，也会影响检测性能。具体来说，NWD的最佳AP为11.9%，比IoU的AP提高了0.8%。这意味着当检测小目标时，NWD是一个更好的度量来过滤多余的边界框。
3、Comparison in loss function
在RPN和R-CNN中都修改了损失函数，这两者都会影响检测器的收敛性。也可以看出，基于NWD的loss function的AP最高为12.1%。
4.2 消融实验
将NWD应用于单个模块
实验结果如表2所示。与baseline method相比，RPN和R-CNN中基于NWD的分配模块AP提高最高，分别为6.2%和3.2%，说明IoU导致的小目标训练标签分配问题最为明显。提出的基于NWD的分配策略大大提高了分配质量。
还可以看到，本文提出的方法在6个模块中的5个模块中提高了性能，这显著验证了基于NWD的方法的有效性。而R-CNN的NMS性能下降可能是由于默认的NMS阈值是次优的，需要进行微调来提高性能。
将NWD应用于多个模块
实验结果如表3所示。当训练12个Epoch时，在RPN、R-CNN或所有模块中使用NWD时，检测性能均有显著提高。当将NWD应用于RPN的3个模块时，获得了最佳的17.8%的性能。然而，在所有6个模块中使用NWD时，AP比RPN中仅使用NWD下降了2.6%。为了分析性能下降的原因，增加了一组实验，对网络进行了24个Epoch的训练。可以看出，性能差距从2.6%减小到0.9%，说明在R-CNN中使用NWD时，网络收敛需要更多的时间。因此，在接下来的实验中，只在RPN中使用NWD，以更少的时间获得相当大的性能提升。
4.3 主要结果
1、AI-TOD数据集
2、Visdrone 数据集
4.4 可视化小目标检测结果
AI-TOD数据集上基于IoU的检测器(第1行)和基于NWD的检测器(第2行)的可视化结果上图所示。可以观察到与IoU相比，NWD可显著降低假阴性(FN)。
5参考
[1].A Normalized Gaussian Wasserstein Distance for Tiny Object Detection
[2].https://www.zhihu.com/question/41752299
