Anchor free 目标检测方法概述　２０１９.８

最新推荐文章于 2025-07-03 16:21:40 发布
原创 最新推荐文章于 2025-07-03 16:21:40 发布 · 1k 阅读 · 5 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#目标检测 #anchor free  #one stage

本文概述了Anchorfree目标检测方法的发展历程，从DenseBox到YOLO系列，再到基于关键点的方法如CornerNet和CenterNet，以及密集预测方法如FSAF和FCOS，展示了该领域的最新进展。

Anchor free 目标检测方法

  • 早期探索

    UnitBOX（2016.8，伊利诺伊大学香槟分校）
    笔记
    DenseBox(2015.9，百度深度学习研究院)，
    笔记
    YOLOv1(2015.6，华盛顿大学，Allen Institute for AI，facebook AI)
    YOLOV2 & YOLO9000（2016.12，华盛顿大学，Allen Institute for AI）
    YOLOV3（2018.4，华盛顿大学）

  • 基于关键点

    CornerNet(2018.8,普林斯顿大学)，
    笔记
    cornerNet-Lite（2019.4，普林斯顿大学）
    笔记
    ExtremeNet（2019.1,得克萨斯大学奥斯汀分校）
    GA-RPN（2019.1，商汤，香港中文大学，亚马逊，南阳理工大学）
    CenterNet: Keypoint Triplets for Object Detection（2019.4, 中科院，牛津，华为诺亚）
    笔记
    CenterNet: Object as points(2019.4,德克萨斯州大学奥斯汀分校,伯克利)
    笔记
    Center and scale prediction(2019.4,国防科技大学,阿联酋起源人工智能研究院)
    笔记

  • 密集预测

    FSAF(2019.3,CMU)
    笔记
    FCOS(2019.4,阿德莱德大学)
    笔记
    FoveaBox(2019.4,清华大学，字节跳动，宾夕法尼亚大学)
    笔记

phy12321
关注
一文读懂Anchor-Free目标检测：CenterNet原理与代码实现
AI架构师小马
07-16 886
调参复杂：Anchor的尺寸、比例需人工经验设定，不同数据集效果差异大；计算冗余：需计算Anchor与真实框的交并比（IoU），浪费算力。本文聚焦Anchor-Free的代表算法CenterNet，讲解其“无Anchor、直接回归目标中心”的创新思路，覆盖原理、数学模型、代码实现及实战应用。本文从“生活故事”引出核心概念，逐步拆解CenterNet的“热力图定位中心”“宽高回归”等关键模块，结合PyTorch代码实现细节，最后给出实战案例与未来趋势分析。关键点检测：将目标检测转化为“找中心点”问题。
目标检测YOLO实战应用案例100讲-【目标检测】YOLOV8(二)
qq_36130719的博客
07-22 497
YOLO（You Only Look Once）系列从YOLOv5发展到YOLOv10的演变代表了实时目标检测领域创新和改进的非凡历程。每个版本都在架构、性能和部署能力上引入了重大进步，使YOLO系列成为计算机视觉领域的一个重要基石，特别是在边缘部署场景中。YOLOv5、YOLOv8和YOLOv10的性能指标展现出准确性及效率不断提高的清晰趋势。YOLOv5以其CSPDarknet主干网络和PANet Neck 结构，为速度与准确性的平衡奠定了坚实基础。
Anchor-free目标检测算法系列5：CenterNet ：Keypoint Triplets for Object Detection
Sesen的木屋
08-06 506
​​​​​​CenterNet（中心点、左上角点、右下角点） CenterNet ：Keypoint Triplets for Object Detection (CVPR2019) 论文的CenterNet和2.3.2中的CenterNet重名了，但是思想完全不同，相比之下，2.3.2的CenterNet更受好评。这里简单介绍一下基于中心点、左上及右下角点的CenterNet，暂记为Tr...
目标检测算法——anchor free
TigerZ*的博客
07-01 2万+
一、anchor free 概述 1、先要知道anchor 是什么（这需要先了解二阶段如faster rcnn，一阶检测器如YOLO V2以后或SSD等）。 在过去，目标检测通常被建模为对候选框的分类和回归，不过，按照候选区域的产生方式不同，分为二阶段（two-step）检测和单阶段（one-step）检测，前者的候选框通过RPN（区域推荐网络）网络产生proposal，后者通在特定特征图上的每个位置产生不同大小和宽高比的先验框（anchor）。如下图： 2、为什么要抛弃anchor，做anc
目标检测之anchor free
qq_41917697的博客
04-06 8429
目标检测之anchor free CornerNet CenterNet ExtremeNet FCOS FoveaBox
anchor free 目标检测_目标检测之anchor-free类
weixin_34820916的博客
01-05 603
这部分包括了三篇文章，即Deformable conv v1，Deformable conv v2和RepPoint三篇文章。1.Deformable convolutional Networks.（2017）2.Deformable ConvNets v2:More Deformable,Better Results(2018).3.RepPoints:Point Set Representa...
目标检测中的Anchor Free方法(二)
思矣远矣
10-15 1433
目标检测中的Anchor Free方法 上周看了源于keypoint Motivation的anchor free方法，我们这周来看一下源于Segmentation的anchor free方法是怎样的思路。 3. 基于Segmentation的方法 FCOS 先来上一张FCOS的整体框架图： 按照FCOS的说法，它是把每个location都当做一个样本，如下图所示，可以看到，最左面的橙色点在棒球...
【YOLOv8十万长文优化】独家魔改优化技巧+附20余个源码手把手教程
热门推荐
cv君的博客
08-01 2万+
【YOLOv8十万长文全解】v8 v9通用。独家魔改优化技巧+附20余个源码手把手教程; Hello，大家好，我是cv君，最近开始在空闲之余，经常更新文章啦！除目标检测、分类、分隔、姿态估计等任务外，还会涵盖图像增强领域，如超分辨率、画质增强、降噪、夜视增强、去雾去雨、ISP、海思高通成像ISP等、AI-ISP、还会有多模态、文本nlp领域、视觉语言大模型、lora、chatgpt等理论与实践文章更新，更新将变成一周2-3更，一个月争取10篇，重回创作巅峰
OpenMMLab 实战营打卡 - 第 四 课 目标检测算法基础
qq_53589322的博客
02-07 1122
OpenMMLab AI实战营——学习笔记（四）计算机视觉之目标检测算法基础。本文仅仅简单介绍了目标检测、部分目标检测算法以及评估方法。
【三维感知目标检测论文阅读】《Point RCNN: An Angle-Free Framework for Rotated Object Detection》
最新发布
weixin_42479402的博客
07-03 1058
《Point RCNN: An Angle-Free Framework for Rotated Object Detection》提出了一种纯无角度的两阶段旋转目标检测框架，专门解决遥感影像中物体任意旋转带来的边界不连续性问题。该方法通过PointRPN网络预测代表点生成旋转候选框，再用PointReg优化角点坐标，完全避免角度回归。核心创新在于用点表示替代角度参数，提供更稳定的旋转框建模方式。
Anchor Free的目标检测
juluwangriyue的博客
07-01 984
Anchor Free的目标检测 anchor based 目标检测，比如：Fast-RCNN、Faster-RCNN、SSD、YOLOV2、YOLOV3. 基于anchor-based的技术包括一个阶段和两个阶段的检测。 其中一阶段的检测技术包括SSD，DSSD，RetinaNet，RefineDet，YOLOV3等， 二阶段技术包括Faster-RCNN，R-FCN，FPN，Cascade R-CNN，SNIP等。 一般的，两个阶段的目标检测会比一个阶段的精度要高，但一个阶段的算法速度会更快。 二步法
目标检测 | Anchor free的目标检测进阶版本
gzq0723的博客
02-07 877
点击蓝字关注我们_今天说的是《Soft Anchor-Point Object Detection》，其也是最近关于anchor free的目标检测的论文，作者来自于CMU，一作同样也是...
【目标检测】Anchor Free —— CornerNet
Bryce-HJ
01-30 334
Contents写在前面1 Introduction2 CornerNet2.1 Overview2.2 Detecting corners2.3 Grouping Corners2.4 Corner Pooling2.5 Hourglass Network2.3 实现细节3 汇总网络执行过程3.1 Conv layers3.2 Region Proposal Networks3.3 RoI pooling3.4 Classification3.5 TIPs4 pytorch实现 开始之前学习一个单词热热
十二篇基于Anchor free的目标检测方法
weixin_36670529的博客
05-03 1881
目录 1、UnitBox: An Advanced Object Detection Network 2、DenseBox: Unifying Landmark Localization and Object Detection 3、You Only Look Once (YOLO) for Object Detection 3、CornerNet: Detecting Objects as Paired Keypoints 4、ExtremeNet: Bottom-up Object Detec
目标检测Anchor-free分支：基于关键点的目标检测（最新网络全面超越YOLOv3）
yuanCruise
04-21 1万+
目标检测领域最近有个较新的方向：基于关键点进行目标物体检测。该策略的代表算法为：CornerNet和CenterNet。由于本人工作特性，对网络的实时性要求比较高，因此多用YoLov3及其变体。而就在今天下午得知，基于CornerNet改进的CornerNet-Squeeze网络居然在实时性和精度上都超越了YoLov3，我还是蛮激动的，故趁此机会学习下该类检测算法的原理。 cornerNer论...
Anchor-Free模型综述
pangxing6491的博客
08-14 741
http://antkillerfarm.github.io/deep%20object%20detection/2019/06/14/Deep_Object_Detection_7.html
anchor free 目标检测_目标检测中的Anchor Free方法
weixin_39552286的博客
12-22 460
最近大致梳理了下最近一些Anchor Free方法的发展脉络，不考虑早期的YOLO和DenseBox等算法的话，SOTA的应该是18年CVPR提出的CornerNet，而进入2019年之后，Anchor Free方法颇有点井喷的感觉。今天将总结一下CornerNet/CenterNet/ExtremeNet这一基于keypoint启发的Anchor Free思路，而FCOS/FSAF/FoveaB...
无锚框（anchor-free）目标检测算法介绍
weixin_42108090的博客
08-24 8429
By detecting objects as paired keypoints, we eliminate the need for designing a set of anchor boxes commonly used in prior single-stage detectors.      ---- CornerNet :Detecting Objects as Paired keypoints We hypothesize two reasons why detecting co.
目标检测Anchor free方法总结：YOLOv1、CornerNet、CenterNet、FCOS
qq_40268412的博客
07-04 4368
YOLOv1（2016）:https://arxiv.org/pdf/1506.02640.pdf CornerNet（2018）:https://arxiv.org/pdf/1808.01244.pdf CenterNet（2019）:https://arxiv.org/pdf/1904.08189.pdf FCOS（2019）：https://arxiv.org/pdf/1904.01355.pdf 什么是Anchor free方法？   Anchor free是相对于Anchor base而言的一种目
YOLOv8：多任务覆盖的实时目标检测新标杆
YOLOv8的Anchor-Free设计摒弃了传统锚框机制，简化了目标检测流程，减少了计算复杂度，同时提升了定位精度。损失函数的优化结合了BCELoss、DFLLoss和CIOULoss，进一步提高了模型的精度。此外，YOLOv8引入了Task-...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值