目标检测中的Anchor

最新推荐文章于 2025-03-10 22:01:18 发布

Brucechows

最新推荐文章于 2025-03-10 22:01:18 发布

阅读量6k

点赞数 13

分类专栏：目标检测文章标签：计算机视觉深度学习人工智能

本文链接：https://blog.csdn.net/qq_30121457/article/details/108918499

版权

目标检测专栏收录该内容

7 篇文章

订阅专栏

本文探讨了目标检测中Anchor机制的起源、如何通过预设尺度和长宽比生成anchorbox，以及它在Faster-RCNN中的作用。重点分析了Anchor的优点如提高召回率，和缺点如参数调整难度与冗余框问题。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

前言:

在计算机视觉四大基本任务(检测、分类、定位、分割)中，图像的目标检测受到的了研究者们越来越多的关注。今天我们就来聊一聊在目标检测中一项重要的机制——Anchor。Anchor机制在凯明大神提出的Faster-RCNN(2015年提出)时兴起。下面将从三方面来叙述Anchor.

在目标检测任务中，输入图像经过骨干网络提取得到特征图，该图上的每个像素点，即为anchor锚点；或者说在feature map使用滑动窗口的操作方式，当前滑窗的中心在原像素空间的映射点就称为Anchor；简单来说RPN(Reg ion Proposal Network)依靠一个在共享特征图上滑动的窗口，为每个位置(即：Anchor)生成9种预先设置好长宽比与面积的目标框。这9种初始anchor包含三种面积(128×128，256×256，512×512)，每种面积又包含三种长宽比(1:1，1:2，2:1),即 Anchor boxes。示意图如下所示：

2.Anchor的机制

以每个anchor为中心点，人为设置不同的尺度(scale)和长宽比(aspect ratio)，即可得到基于anchor的多个anchor box，用以框定图像中的目标，这就是所谓的anchor 机制。如下图所示，左侧显示了基于一个anchor点生成的9个anchor boxes(红、绿、蓝三种颜色)，右侧显示了该特征图上密集分布的所有anchor boxes。

3.Anchor的优缺点

在知道了Anchor的原理和机制之后，下面我们就来讲讲Anchor的优缺点了:

3.1 Anchor的优点:

① 使用anchor机制产生密集的anchor boxes，使得网络可直接在此基础上进行目标分类及边界框坐标回归；
② 密集的anchor boxes可有效提高网络目标召回能力，对于小目标检测来说提升非常明显。

3.2 Anchor的缺点:

① anchor机制中，需要设定的超参：尺度(scale)和长宽比( aspect ratio)是比较难设计的。这需要较强的先验知识。
②冗余框非常之多：一张图像内的目标毕竟是有限的，基于每个anchor设定大量anchor boxes会产生大量的easy-sample，即完全不包含目标的背景框。这会造成正负样本严重不平衡问题，也是one-stage算法难以赶超two-stage算法的原因之一。
③网络实质上是看不见anchor boxes的，在anchor boxes的基础上进行边界回归更像是一种在范围比较小时候的强行记忆。