仅供个人学习使用
1、anchor base
anchor base的方法需要先在图片上生成候选框,无论是RPN生成还是通过k-means生成的先验框,都需要在分类回归之前有存在的框可使用。在框的基础上进行之后的操作。
超参数较为难调,正负样本不平衡,focal loss可缓解但是并不能解决。
2、anchor free
分为1)基于关键点检测,例如Cornernet,2)中心点检测,例如centernet,fcos等
1)关键点检测,Cornernet提取的特征分为两个检测器,分别检测左上和右下两个角点,然后再对每个角点进行分类。再通过另一个embeddings分支对两个点进行匹配,相同物体相似度大,不同物体相似度小。
2)中心点预测,centernet将目标当做一个点来预测,预测目标中心点的偏移量,宽高来得到最终的box。特征提取后生成每个类别的heatmap,某个点有对应类别物体时,在该坐标处生成一个高斯圆。可以得到中心点和角点。再通过embeddings得出每个点的匹配关系。
通过center pooling和cascade corner pooling分别获得center和corner的heatmap。