作者思路理解
anchor free可以检测那些奇怪形状物体(anchor based可能检测不出来)
但是它带来的问题是大量误检,所以使用二阶段提高精度减少误检。
二阶段的anchor free目标检测网络
第一阶段通过角点提取出感兴趣区域,第二阶段对感兴趣区域进行预测和回归
虽然用的是corner net的关键点提取方法,但是他并不是用提取出来的左上角和右下角特征与gt进行iou对比,来判断他是否属于同一个框。而是使用将所有有效的角点组合作为潜在对象,并且借用二阶段的思想,即训练一个分类器,根据对应的区域特征来区分真实物体和错误匹配的关键点。
在第二阶段里面有两个分类器
二元分类器,过滤掉不符合目标的proposal。(判断是否为物体)
多元分类器,对仍存在的多个类别的目标分数进行排序。(classes)
找检测方法过程
FCOS也存在类似的现象,FCOS是一种anchor-free方法,它通过关键点和到边界的距离来表示对象。当边界远离中心时,很难预测准确的距离。
but,实验发现,cornerNet和centerNet就没有这个问题,因为它是将关键点分组到一个对象中,解决了角点对距离的问题。