目标检测：Anchor-free算法模型

已于 2024-03-11 15:39:23 修改
阅读量1.3k 收藏 12
点赞数 6
CC 4.0 BY-SA版权
文章标签： 目标检测 算法 人工智能 计算机视觉 3d 深度学习
于 2024-03-08 18:06:48 首次发布
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。
本文链接：https://blog.youkuaiyun.com/usernameisnotexist/article/details/136568172
本文介绍了Anchor-free目标检测方法，重点关注CornerNet，它通过检测角点而非预定义的锚框进行定位。方法包括关键点检测、嵌入向量、尺寸预测和角点池化，YOLOv1和DenseBox等早期工作也对此领域产生了影响。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

Anchor-free概念

        Anchor-free方法不依赖于预定义的锚框。它通过在图像或特征图上直接预测目标的位置和形状，而不是相对于锚框的偏移量。这意味着模型不需要提前定义锚框，可以更灵活地处理不同大小和形状的目标。Anchor-free模型简化了检测流程，减少了超参数的数量，有助于提高模型的通用性和灵活性。

Anchor-free模型代表

1. DenseBox
        虽然不完全是今天所讨论的anchor-free检测方法，但DenseBox是较早采用端到端方式进行目标检测和定位的方法之一，它为后续的anchor-free方法提供了灵感。DenseBox通过直接在特征图上预测边界框和目标的存在，展示了去除传统锚点的可能性。

2. YOLOv1 
        YOLOv1是一个开创性的工作，它将目标检测视为一个单一的回归问题，直接从图像像素到边界框坐标和类别概率的映射。虽然YOLOv1本身使用了锚点，但它的整体思想和设计哲学对后来的anchor-free方法有着重要的影响，特别是它对于实现快速、简洁且有效的目标检测系统的追求。

3. CornerNet
        CornerNet是一个真正的anchor-free目标检测方法的代表，它通过检测对象的角点（左上角和右下角）并使用配对的关键点来预测对象的位置，而不依赖于预定义的锚点。CornerNet的提出标志着anchor-free目标检测方法的一个重要发展，它展示了一种全新的思路来解决目标检测问题。

最低0.47元/天 解锁文章

200万优质内容无限畅学
HHHHGitttt
关注
Anchor Free系列模型06
j98548的博客
12-09 997
2021SC@SDUSC 相比two-stage方法，one-stage的目标检测算法更受追捧。one-stage的模型目前可以分为两大类：anchor-based和anchor-free方法。基于anchor-based的检测模型包括SSD，YOLOv3，RetinaNet等，这些模型需要在每个位置预先定义一系列anchor来预测边界框，整个训练和测试阶段都依赖anchor。基于anchor-free的模型不需要anchor，主要是通过检测关键点来直接预测边界框，如CornerNet是检测物体的左上角和右
anchor free 目标检测_基于关键点的Anchor Free目标检测模型综述
weixin_39834084的博客
12-22 1195
引言目标检测是计算机视觉应用的基础, 在图像处理中任务中发挥着至关重要的作用. 目标检测是一种利用算法在图像中搜索感兴趣区域的技术, 结合了目标分类和定位两个任务. 在人脸检测、人体姿势估计、实例分割等领域的到了广泛的使用.传统的目标检测模型主要包括Haar特征+Adaboost+Cascade、HOG特征+SVM、HOG特征+Cascade、DPM特征+Latent SVM等, 这些算法虽然推动...
Anchor-Free模型总结
寂寞的小乞丐
03-23 2024
文章目录Anchor-Free综述一. CornerNet1.1 概述1.2 模块介绍1.2.1 Heatmap1.2.2 Offset1.2.3 Grouping Corners1.2.4 Corner Pooling1.3 总结二. CenterNet2.1 概述2.2 Center-Regression三. FCOS3.1. 概述3.2. 模块介绍3.2.1 论文思路简介3.3.2 回归形式3.3 参考文献四 ATSS五.GFLV15.1. 论文简介5.2. 模块详解5.2.1 谈谈分布5.2.2 分
Anchor-based 和 Anchor-free
最新发布
加油！奥力给
05-07 974
Anchor-based 和 Anchor-free
深度学习（11）之Anchor-Free详解
yohnyang的博客
07-02 7274
在生成目标候选框阶段，排名top-k的左上角和右下角角点被从heatmaps中选择出来，然后，计算一对角点间的嵌入向量的距离，如果距离小于预设的阈值，就认为这两个点属于同一个物体，就会根据这两个角点生成一个bounding box，同时，根据两个角点的得分计算一个平均分数作为该bounding box的得分。然后在预测的时候，如果top-left的corner和bottom-right的corner的embedding值特别接近，比如一个是1.2另一个是1.3，那么这两个很有可能属于一个目标；
Anchor-Free模型综述
pangxing6491的博客
08-14 718
http://antkillerfarm.github.io/deep%20object%20detection/2019/06/14/Deep_Object_Detection_7.html
Anchor Free系列模型03
j98548的博客
10-31 191
Anchor Free系列模型 简介 目前主流的检测算法大体分为两类： single-stage和two-stage，其中single-stage的经典算法包括SSD, YOLO等，two-stage方法有RCNN系列模型，两大类算法在PaddleDetection Model Zoo中均有给出，它们的共同特点是先定义一系列密集的，大小不等的anchor区域，再基于这些先验区域进行分类和回归，这种方式极大的受限于anchor自身的设计。随着CornerNet的提出，涌现了多种anchor free方法，Pa
Anchor Free系列模型02
j98548的博客
10-24 358
Anchor Free系列模型 简介 目前主流的检测算法大体分为两类： single-stage和two-stage，其中single-stage的经典算法包括SSD, YOLO等，two-stage方法有RCNN系列模型，两大类算法在PaddleDetection Model Zoo中均有给出，它们的共同特点是先定义一系列密集的，大小不等的anchor区域，再基于这些先验区域进行分类和回归，这种方式极大的受限于anchor自身的设计。随着CornerNet的提出，涌现了多种anchor free方法，Pa
Anchor-free应用一览：目标检测、实例分割、多目标跟踪
zandaoguang的博客
08-01 1494
作者｜杨阳@知乎来源｜https://zhuanlan.zhihu.com/p/163266388从去年5月开始，我一直对Anchor-free工作保持着一定的关注。本次借组内的pape...
YOLC~
whaosoft143ai的博客
04-18 585
值得注意的是，作者提出的YOLC显著提高了小目标的检测性能，而中大型目标的改进并不明显。首先，它是一个无监督的模块，这意味着它可以无缝地集成到任何基于关键点的检测器中，而无需额外的簇 Proposal 网络。现有的基于裁剪的方法，如DMNet，产生许多裁剪或使用额外的网络，如ClusDet，导致检测速度低且模型参数增加。此外，尽管上述方法生成了簇区域，但某些簇中的目标分布是稀疏的，对最终性能的贡献很小。具体来说，作者将原始的损失替换为GWD损失，并尝试了基于IoU的损失，如GIoU，DIoU和CIoU。
Anchor-free
whaosoft143ai的博客
11-09 316
找到了一个说在工业领域很好的 目标检测下面几篇paper有异曲同工之妙，开启了anchor-based和anchor-free的轮回。这几篇论文不约而同地将矛头对准了这个检测里面的基础模块，采用anchor-free的方法在单阶段检测器上达到了和anchor-based方法类似或者更好的效果。这个问题首先需要回答为什么要有anchor。在深度学习时代，物体检测问题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； whaosoft aiot
free Anchor
weixin_43489950的博客
10-03 277
参考简书https://cloud.tencent.com/developer/article/1506264
Anchor Free，框即是点，CenterNet
年轻即出发，
10-28 2822
论文：Objects as Points Github：https://github.com/xingyizhou/CenterNet CVPR 2019 CenterNet，一个anchor free的新的检测算法，算是对cornerNet的改进，在cornerNet基础上，引入了中心点的概念，因此，称为CenterNet。 算法亮点， anchor free，大大减少了a...
anchor-free、anchor-based整理
IS_MOKE的博客
10-24 2230
anchor-free、anchor-based整理）Anchoranchor-basedanchor-free单尺度预测多尺度预测基于关键点估计总结 参考博客 Anchor 目标检测分为对候选框的分类和回归，对于候选框的产生方式：1、two-step通过RPN（区域候选网络）产生proposal；2、通过滑窗产生anchor anchor-based 问题：正负样本不均衡、超参数的引入（每层的Anchor数量、尺度、长宽比） faster-RCNN：逐像素的对Anchors进行边界框的回归和定位 SSD
Anchor-free Multi-object Trackers（无锚框的多目标跟踪）
KinsonJul
08-29 915
摘要：多目标跟踪Multiple Object Tracking (MOT)的目的是在事先不知道目标的外观和数量的情况下，对视频里的目标进行识别和跟踪，通常识别跟踪的对象为行人、车辆等。和目标检测不同，除了输出目标的检测框，目标跟踪还需要输出每个检测框的ID，以便于区分类内的物体。近些年来多目标跟踪领域SOTA的方法大多都是采用基于检测的跟踪算法，检测器的性能对跟踪的效果有着至关重要的作用。近一两年有几个先进的多目标跟踪算法都是使用2019年提出的一个anchor-free的目标检测算法CenterNet，
FCOS: 最新的one-stage逐像素目标检测算法
热门推荐
yuanCruise
04-07 4万+
论文地址：https://arxiv.org/pdf/1904.01355.pdf 本文提出了一种全卷积one-stage目标检测算法（FCOS），以逐像素预测的方式解决目标检测问题，类似于语义分割。目前最流行的不论是one-stage目标检测算法，如RetinaNet，SSD，YOLOv3，还是two-stage目标检测算法，如Faster R-CNN。这两类算法大都依赖于预定义的锚框（anch...
[神经网络]Anchor_Free网络(YoloX,CenterNet)
就随便写写....
07-09 2405
Anchor Free的目标检测网络（CenterNet,YoloX）
【目标检测】Anchor Free —— FCOS
Bryce-HJ
02-02 745
Contents0 写在前面1 Introduction2 逐像素回归预测3 损失函数4 multi-level FPN prediction5 Center-ness6 最后的最后 开始之前学习一个单词热热身： affirmative 英[əˈfɜːmətɪv] adj. 肯定的; 同意的; n. 肯定; 同意; [例句]She answered in the affirmative. In the sequel ——结果，后来 0 写在前面       FCOS: Fully Convolut
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