目标检测论文综述（四）Anchor-Free

——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