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