超级会员免费看
本文深入探讨了目标检测中的Anchor技术，包括Anchor based（如Faster R-CNN）的原理、优缺点，Anchor free方法的引入及其优势与挑战，以及no anchor方案的灵活性。文章分析了三种方法在预设尺寸、预测过程和网络结构上的差异，强调了它们在不同应用场景下的选择考量。
文章目录
深度学习的目标检测算法，通常会在输入图像中采样大量的区域，然后判断这些区域中是否包含我们感兴趣的目标，并调整（回归）区域边界，从而更准确地预测目标的真实边界框（
ground-truth bounding box）。
目标检测算法会需要做两个事情：
- 推荐区域框是否有目标
（positive or negative），是分类任务； - 调整这些区域框，不断逼近到目标真实框，是回归任务。
就针对目标检测算法的传统区域框推荐和深度学习的方法，问了chatGPT，他给出了下面的回答。给与我们借鉴，帮助我们理解。
传统的目标框推选方法，我们暂时就先不考虑。针对基于anchor的方法，我们通过最常用的anchor based（anchor box）和anchor free，和no anchor
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
