anchor_based-anchor_freeobject ，比較火的就是anchorbased和anchor anchor_based-anchor_freeobjectanchorbasedanchoranchorbasedanchorfreeAnchor-based和Anchor-free方法的輸出在定位方式和置信度得分方面差異顯著，直 Anchor-based方法處理的尺度范圍雖小，但更精準；Anchor-free其一，對于Anchor-based方法，groundtruthIoU≥0.5的 訓練樣本?？梢园l現，正負樣本的定義與邊界框回歸結果無關，這就導致Anchor-based分支每個 Anchor-free方法，網絡訓練方式類似于目標分割任務。輸出的特征圖reference:人臉檢測江湖的那些事兒——從曠視說起: 和時間。對于單階段算法來說，為了使其更為有效的檢測小目標，通常進行FPN結構以總而言之，Anchor-basedAnchor-freeanchorbasedanchorfree方anchor (0.50.7)的目標，anchor數量，檢測層Pn的感受野ooAnchorFaster錨框：AnchorboxanchorFSAFforSingle-ShotObjectDetection:在RetinaNet基礎上添加了anchorht，個人感覺是不是只在最后又監督信息，訓練難度是否要大些。參考：GuidedAnchoringanchor-prior-freeanchor-based一致，所以可以到現有的anchor-based的方法里面然后以結果作為anchor進行進一步地修正。FoveaBox:假設FPN中每一個層一定范圍內的boundingbox，而每個特征金字塔都有一basicarea32*32512*512FoveaBox為了使每個層 y_1, y_1,x_2,y_2) 關系(t_{x_1},t_{x_2},接著使用簡單的L1z=\sqrt{S_l一個歸一化因子，將輸出空間到中心為1的空間，使得訓練穩定。最后使用log空間函數進行但仍然需要手工的去設置參數，比如每層的area的范圍，以及正樣本區域的縮放因子的參數?？偟膩碚f還是不錯的，吸取了DenseBox的大量優點，也對其 一個distance，而是去學習 FCOS:FCNs的網絡在密集檢測例如語義分割任務都有很好的效果，那 存在一個問題，就是真實的區域交疊問題，如果那個分割區域交疊了，那么存在一個問題，就是真實的區域交疊問題，如果那個分割區域交疊了，那么A.FPN結構來在每一層加以限定，因為這兩者之間的尺度相差較大，文章5個區間來限定B.如果一個像素點在同一層落到了多個GT區域，這樣也會ambiguous。這是作ItisworthnotingthatFCOScanleverageasmanyforegroundsamplesaspossibletotraintheregressor.Herel?,t?,r?andb?arethedistancesfromthelocationtothefoursidesoftheboundingbox借鑒了關鍵點檢測的思路來做detection:CornerNet,第一個貢獻是設計了一top-left和bottom-right的heatmap，找出那些最有可能是top-leftottom-right之間的匹配關系。第二個貢獻是提出了CornerPooling務的變化，傳統的 方法并不是非常適用該網絡框架0.1%（不如CorNerNet），mult-scale上比CorNerNet1.1個點。CenterNet:精度高，思想是通過中心點抑制誤檢；使用CascadeCornerPo據左上角和右下角點，得到物體的boundingbox；使用CenterPooling模塊，提Centerheatmap，根據Centermap的得到所有的物體中心點。使用物體中心點對提取到的boundingbox進行進一步過濾，如果box的中間區域沒有中心點存在，則認為此box不可靠。ObjectsasPoints(CenterNet)：速度快，出發點是用中心點做盡可能多的任務，基本上把中心點玩出了花，通過檢測中心點以及各種長寬和offsets不僅能做2Ddetection3Ddetectionposeestimation。不需要voting，也不需要nms。直接predictcenters，然后（再）predict長寬。ade是追求高準確率(mAP)的同時，盡可能提高速度(FPS);CornerNet-Squeeze最近的CVPRobjectdetection部分,anchor-free大火特火.基本上都逃不過15年的Densebox和18的CornerNet這兩篇文章的思路,剩下的無非就是如何更高效的用點來表示一個box. N用NxN個點來表示,ExtremeNet用四個極值點+一個中心點來表示,CenterNet用兩個角點+一個中心點來表示,ObjectsasPoints( 也叫CenterNet)用一個中心點+長寬值來表示,FCOS用點+到框的四個距離來表示....你看這些anchor-free的文章,精度高的也有,CenterNet更是在coco-testdev上刷到了47的AP,速度快的也有,ObjectsasPoints可以在保證41.6AP值的情況下達到35ms一幀(GPUTitanV下,而且輸入是512*512).所以感覺CornerNet-Lite出現的稍微晚了些,基本上它能做的事情其它框架都可以做.(吐槽一下,這幾篇文章真的大同小異,如果可以把每篇文章的優點都結合起來,再優化下,說不定accurate/speed真的可cascade方 定位精度：2018WIDERChallengeFaceDetection:CascadeRegression N到HybridTaskCascade:將這種結構或思想引入到實例分割中并不是一件直接而容易的事情，如