本文深入探讨了 Anchor-Free 目标检测模型，包括 FCOS、CenterNet、CornerNet、ExtremeNet 和 FSAF。这些模型摒弃了传统锚点概念，采用新颖的策略匹配正负样本，实现高精度检测。FCOS 直接以特征图上的每个像素为起点，CenterNet 则预测物体中心点，CornerNet 通过检测角点，而 ExtremeNet 和 FSAF 创新性地结合了 Anchor-Free 和 Anchor-Based 方法。文章详述了每种模型的工作原理和优缺点，为理解目标检测的最新进展提供了宝贵见解。
——NeoZng[neozng1@hnu.edu.cn]
目录
如果觉得笔者写得还不错，点个赞加个关注吧！
Anchor-Free模型概览
我们在学习Faster R-CNN的时候第一次遇到anchor的概念，它利用anchor匹配正负样本，从而缩小搜索空间，更准确、简单地进行梯度回传，训练网络。但是anchor也会对网络的性能带来影响，如巡训练匹配时较高的开销、有许多超参数需要人为尝试调节等。而anchor-free模型则摒弃或是绕开了锚的概念，用更加精简的方式来确定正负样本，同时达到甚至超越了两阶段anchor-based的模型精度，并拥有更快的速度。这也让one-stage和two-stage的边缘更加模糊。接下来就让我们介绍几个非常经典的anchor-free模型：
-
FCOS
FCOS的全称是fully convulsion one-stage object detector。全卷积网络常用在目标分割任务，最早由FCN引入检测领域。FCOS匹配正负样本的方法别具一格，它直接将backbone输出的feature map上的每一个像素当作预测起点（当然输出的feature map和原图有一个映射的对应关系，本质上并没有将图像上的每一个点当成参考点，而是类似yolo，散布了一组格点），即把每一个位置都当作训练样本，只要该位置落入某一个GT框，就将其当作正样本进行训练。同时为了让一个目标不在多个feature map上被重复输出（推理时），FCOS人为限制了每一层回归目标的尺度大小，超过该限制的目标，这一层就不检测。
FCOS的结构
为了删去低质量的预测框，FCOS还在检测头增加另一个中心度分支，保证回归框的中心和GT较为接近。同时和FPN结合，在每一层上只回归特定大小的目标，从而将不同尺度的目标分配到对应层级上。
centerness的计算公式，设置中心度阈值从而保证生成的预测框中心接近GT
可以发现，虽然不再显式的使用anchor对正负样本进行匹配，但是仍然加入了一些预定规则来给参考点分配标签，之前的anchor是anchor box，在某种程度上我们可以将FCOS中的回归位置看作是anchor point，或者步长和边长相等的一组正方形anchor box。
-
CenterNet
CenterNet比FCOS更近一步，其论文的名字就叫做Object as points：将目标看作点。它直接在BackBone后接Conv层，输出一个代表物体中心点的Heatmap，在预测时取该Heatmp的topk作为可能的物体中心，再进入接下来的回归和分类分支，回归分支输出的是预测框相对于中心的offsets（width、height两个值或left、right、bottom、top四个值）。
最低0.47元/天 解锁文章
扫一扫
8601
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
