——CNN based Anchor-Free Detectors
所有论文综述均保持如下格式:
1、一页PPT内容总结一篇论文
2、标题格式一致:出处 年份 《标题》
3、内容格式一致:针对XX问题;提出了XX方法;本文证明了XXX
4、把握核心创新点,言简意赅
5、开源代码链接
强烈推荐:目标检测论文资源列表(各目标检测网络性能对比、论文链接、官方/非官方代码链接)
https://github.com/hoya012/deep_learning_object_detection#2014
针对Anchor的缺点:
1、对feature map上每一像素点去定义很多的锚点框,导致anchor boxes数量大,正负样本不均衡
2、anchor boxes的使用引入了许多超参数和设计选择,包括多少个box、大小和高宽比,这些超参数使得网络调优变得困难,增加网络复杂度,增大计算量
一、CVPR 2015《DenseBox:Unifying Landmark Localization with End to End Object Detection》
- 针对:将FCN应用到目标检测,人脸检测,车辆检测,密集预测对每个pixel预测
- 提出了:1.直接预测目标框和目标类别;2.通过多任务引入landmark localization,进一步提升性能
单个FCN同时产生多个预测bbox和置信分数的输出。测试时,整个系统将图片作为输入,输出5个通道的feature map。每个pixel的输出feature map得到5维的向量,包括一个置信分数和bbox边界到该pixel距离的4个值。最后输出feature map的每个pixel转化为带分数的bbox,然后经过NMS后处理。
缺点:使用embeddings进行角点匹配效果不好,导致某个物体左上角匹配到另一个物体右下角
二、ECCV 2018《CornerNet:Detecting Objects as Paired Keypoints》
- 针对:anchor-boxes的缺点:数量大,正负样本不均衡;2.超参数过多
- 提出了:关键点检测,引入corner pooling帮助网络定位角点