这是CVPR2019上的文章。现存目标检测器有anchor-based的，也是比较常用的检测器，比如two-stage的一系列检测器，还有anchor-free的，比如DenseNet，CornerNet。这篇论文又提出了一种新的生成anchor的方式，即不再预设anchor的尺寸，而是通过模型自身关于图像特征的参数反向传播去调整anchor大小和定位。
采用的方案：
1.Anchor generation
生成anchor这一步用一个联合概率分布来表示，即在给定图像特征之后anchor中心点的概率分布，和给定图像特征和中心点之后的形状概率分布相乘。在feature map FI之上，位置预测分支产生指示对象的可能位置的概率，而形状预测分支预测与位置相关的形状。
但是这会导致anchor大小不同但是特征感受野相同，从而导致anchor与feature不匹配，于是需要进行下一步，feature adaption。
2.Feature adaption
3.High-quality Proposals
方案：
1）更高的阈值：增大训练时正样本的 IoU 阈值
2）更少的样本：减少 proposal 数量
344
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
