ATSS 算法——揭秘anchor-free和anchor-based算法差异

最新推荐文章于 2024-06-23 17:04:45 发布

AI之路

最新推荐文章于 2024-06-23 17:04:45 发布

阅读量1w

点赞数 12

分类专栏：深度学习计算机视觉目标检测-object detection

本文链接：https://blog.csdn.net/u014380165/article/details/103795048

版权

本文介绍了ATSS算法，旨在弥合anchor-based和anchor-free目标检测之间的差距。通过对比实验，研究发现确定正负样本的方式是两者效果差异的主要原因。论文提出了ATSS方法，它在确定正负样本时更具自适应性，虽然仍有一些超参数，但在不同设置下表现出良好的鲁棒性，并且在COCO数据集上实现了较好的性能。

摘要由CSDN通过智能技术生成

论文：Bridging the Gap Between Anchor-based and Anchor-free Detection via Adaptive Training Sample Selection
论文链接：https://arxiv.org/abs/1912.02424
代码链接：https://github.com/sfzhang15/ATSS

2018年发表的CornerNet重新掀起了目标检测领域基于anchor-free实现目标检测算法的热潮，所以随后的一年多时间可以看到大量的anchor-free论文，比如FCOS、CenterNet等，但anchor-based目标检测算法依然占据着非常重要的地位。这篇博客要介绍的论文：ATSS（Adaptive Training Sample Selection）主要就是研究anchor-free和anchor-based算法之间的关系，内容上主要包括2大方面：1、对于基于anchor-based和anchor-free的目标检测算法之间的效果差距做了详细的对比实验，得出的结论就是如何确定正负样本是影响这2类算法的重要原因。2、提出了ATSS方式来确定正负样本。这2个方面其实就包含在论文题目中了。

这篇论文看下来还是比较清晰易懂的，切入点在于基于anchor-based和anchor-free的目标检测算法之间的效果差异到底是由什么原因造成的？于是作者分别选了2个代表性算法：RetinaNet和FCOS，二者在COCO数据集上的mAP分别是32.5和37.8，差距还是比较大的。

此时就得分析下RetinaNet和FCOS在算法上的差异，主要有以下3点：
1、RetinaNet在特征图上每个点铺设多个anchorÿ