Anchor-Free系列论文阅读《DenseBox: Unifying Landmark Localization withEnd to End Object Detection》

       论文是百度AI实验室发表于2015年，属于Anchor-Free论文的最早启蒙论文之一，主要目的是将图像分割领域的端到端的FCN网络最大限度应用于目标检测。

---

创新点：

1. 提出了一种新的基于FCN的对象检测器DenseBox，它不需要生成候选Bounding Box，并且能够在训练期间进行端到端优化，可以非常准确和高效地检测具有严重遮挡的不同尺度（小目标适用）下的目标。

2. 通过多任务学习与关键点检测相结合，进一步提高DenseBox目标检测精度。

---

方法细节：

1.输入大小的图像，输出，输出。其中，s为是目标的置信度矩阵，本文输出矩阵中设置一个正样本区域，该区域为一个圆，半径与bounding box的大小有关，其比例因子设置为输出坐标空间中框大小的0.3，ground truth如果在正标签区域内为1，否则为0， 如图所示；其他四个值为像素距离最近的groud truth的左上和右下的距离。

2.如果一幅图中出现多个人脸，将落在图中心比例范围内的人脸视为正值（范围为0.8到1.25）。

3.模型设计如图所示(本篇文章模型设计的分析，撰写文章可以参照写的很好)：

模型利用ImageNet预训练的VGG19初始化前12层（Conv4_4）,利用xavier 初始化后四层，损失函数分为两部分，分类损失和位置损失，采用的L2损失。

4.损失函数：

---

关键点改善： 

1.改善模型设计：

---

其他：

本文提出了一个观点：YOLO与Faster RCNN针对小尺寸目标可能会损失召回率。