anchor free 目标检测_目标检测中的anchor-based 和anchor free

最新推荐文章于 2024-06-23 17:04:45 发布

糖太咸

最新推荐文章于 2024-06-23 17:04:45 发布

阅读量1.1k

点赞数

文章标签： anchor free 目标检测

本文链接：https://blog.csdn.net/weixin_36401868/article/details/112369697

版权

本文探讨了目标检测中的两种主要方法：Anchor-Based和Anchor-Free。Anchor-Based依赖预定义的候选区域（如Faster RNN, SSD, YOLO），而Anchor-Free则直接预测物体边界，如CornerNet和CenterNet。尽管Anchor-Free方法在精度上可与Anchor-Based匹敌，但在某些方面仍存在局限性，且没有明显超越两阶段检测器。文章还讨论了各种Anchor-Free算法的优缺点以及它们与Single Anchor的等价性和区别。" 112887999,10536990,Python实现延时任务：延迟循环与优先级队列,"['Python编程', '并发与并行', '数据结构', '任务调度', '延时任务']

摘要由CSDN通过智能技术生成

目标检测中的anchor-based 和anchor free

1. anchor-free 和 anchor-based 区别

深度学习目标检测通常都被建模成对一些候选区域进行分类和回归的问题。在单阶段检测器中，这些候选区域就是通过滑窗方式产生的 anchor；在两阶段检测器中，候选区域是 RPN 生成的 proposal，但是 RPN 本身仍然是对滑窗方式产生的 anchor 进行分类和回归。

anchor-free是通过另外一种手段来解决检测问题的。同样分为两个子问题，即确定物体中心和对四条边框的预测。预测物体中心时，将中心预测融入到类别预测的 target 里面，也可以预测一个 soft 的 centerness score。对于四条边框的预测，则比较一致，都是预测该像素点到 ground truth 框的四条边距离，不过会使用一些 trick 来限制 regress 的范围。

2. anchor-free类算法归纳

A.基于多关键点联合表达的方法

a.CornerNet/CornerNet-lite：左上角点+右下角点

b.ExtremeNet：上下左右4个极值点+中心点

c.CenterNet:Keypoint Triplets for Object Detection：左上角点+右下角点+中心点

d.RepPoints：9个学习到的自适应跳动的采样点

e.FoveaBox：中心点+左上角点+右下角点

f.PLN：4个角点+中心点

B.基于单中心点预测的方法

a.CenterNet:Objects as Points：中心点+宽度+高度

b.CSP：中心