#今日论文推荐#ECCV2022 Oral | 全新Ancho-free检测模型ObjectBox，120FPS超越OTA、TOOD等

#今日论文推荐#ECCV2022 Oral | 全新Ancho-free检测模型ObjectBox，120FPS超越OTA、TOOD等

本文提出了 ObjectBox，一种新颖的单阶段Anchor-free且高度泛化的目标检测方法。与现有的Anchor-based和Anchor-free的检测器相反，它们在标签分配中更偏向于特定的目标尺度，ObjectBox仅使用目标中心位置作为正样本，并在不同的特征级别平等对待所有目标，而不管物体的大小或形状。
具体来说，ObjectBox的标签分配策略以Anchor-free的方式将目标中心位置视为与形状和大小无关的Anchor，并允许在每个目标的所有尺度上进行学习。为了支持这一点，作者将新的回归目标定义为从中心单元位置的2个角到边界框4个边的距离。此外，为了处理尺度变化的目标，作者提出了一种定制的 IoU 损失来处理不同大小的框。因此，本文提出的目标检测器不需要跨数据集调整任何依赖于数据集的超参数。
在 MS-COCO 2017 和 PASCAL VOC 2012 数据集上评估ObjectBox，并将结果与最先进的方法进行比较。ObjectBox 与之前的作品相比表现得更好。

当前最先进的目标检测方法，无论是两阶段还是单阶段方法，都假设边界框，为每个框提取特征，并标记目标类别。他们都对共享的局部特征进行边界框定位和分类任务。一种常见的策略是在卷积特征图上使用手工制作的密集Anchor来为共享的局部特征生成丰富的候选框。这些Anchor生成边界框大小和纵横比的一致分布，这些分布是基于目标和Anchor之间的IoU分配的。

由于它们的巨大成功，目标检测一直由Anchor-based的方法主导。然而，它们存在许多常见且严重的缺陷。首先，使用预定义的Anchor会引入额外的超参数来指定它们的大小和纵横比，这会削弱对其他数据集的泛化能力。其次，Anchor必须密集地覆盖图像以最大化召回率。然而，少数Anchor与大多数GT框重叠，导致正负Anchor框之间的巨大不平衡，并增加了额外的计算成本，从而减慢了训练和推理的速度。第三，必须根据数量、比例和纵横比仔细设计Anchor，因为改变这些参数会影响性能。

论文题目：ObjectBox: From Centers to Boxes for Anchor-Free Object Detection
详细解读：https://www.aminer.cn/research_report/62d4d7327cb68b460fedd687https://www.aminer.cn/research_report/62d4d7327cb68b460fedd687
AMiner链接：https://www.aminer.cn/?f=cs