1)锚框(anchor-based)缺点 超参数设置难度大:检测表现效果对于锚框的尺寸、长宽比、数目非常敏感,因此锚框相关的超参数需要仔细的调节。 anchor的设置缺乏灵活性:锚框的尺寸和长宽比是固定的,因此,检测器在处理形变较大的候选对象时比较困难,尤其是对于小目标。预先定义的锚框还限制了检测器的泛化能力,因为,它们需...
第二点 · 在训练过程中,anchor-based算法对样本的标记方法是,如果anchor对应的边框与真实边框(ground truth)交并比大于一定阈值,就设为正样本,并且把交并比最大的类别作为这个位置的类别。 ·在FCOS中,如果位置(x,y)落入任何真实边框,就认为它是一个正样本,它的类别标记为这个真实边框的类别。 这样会带来一个问...
正负样本的不均衡。由于Anchor一般是根据位置密集放置,而图像中大部分区域都是背景,即负样本。这也就造成了在训练过程中正负样本的不均衡。 Anchor引入了超参。在Anchor-based算法中,通常需要设置数量、尺度、比率等超参,并且这些超参的设置对于检测性能有极大的影响。 计算量的增加。无论是对于one-stage还是two-stage...
一、探索与革新 文章首先剖析了anchor-based算法的先天不足:其检测性能深受框的尺度、宽高比及数量影响,例如,RetinaNet在COCO上通过精细调整这些参数,AP能提升4%;同时,因数据集差异,这些与anchor相关的参数需重新设计,导致普适性受限;此外,为精准匹配图像中的物体,需预设大量anchor,引发正负样本的严重失衡;且训练时需...
具体有什么样的不同,如下图: 第一...提出了anchor-based和anchor-free检测器的显著区别主要在于如何定义正、负训练样本,从而导致两者之间的性能差距。如果他们在训练中对正样本和负样本采取相同的定义,无论从一个anchor还是 解读《Bridging the Gap Between Anchor-based and Anchor-free Detection》...
(1)anchor-based 目标检测算法在目标多尺度和多宽高的特点下仍然能够保持较高的检测精度; (2)通过回归任务对候选框的位置和尺度进行微调,可以减小候选框和真实目标之间的误差; (3)通过一次生成大量的候选框,提高了目标检测的效率。 2. 缺点 (1)anchor-based 方法的候选框生成需要耗费大量的计算资源和存储空间; ...
细数了anchor-based的几大缺点: 1. 需要仔细去调anchor相关的超参(数量、大小、长宽比); 2. 由于anchor参数是预设的,因此在尺度差异大的物体之间往往不能都匹配得好,而且对于不同的任务还需要重新去设置这些参数; 3. 为了获得好...
优点是泛化能力强、框架更简洁、异常尺度目标检测精度高,缺点是不适合进行通用目标检测,适用多尺度目标检测、小目标检测等,精度低于基于锚框的算法。 在论文中,作者指出导致Anchor based与Anchor free性能差距的原因是正负样本匹配策略导致的,并对此进行了实验验证,并由此提出了一种自适应训练样本选择方法(Adaptive Trainin...
anchor based的优点是可以产生密集的anchor box,使得网络可以直接进行目标分类和边界框回归,提高了目标召回能力,尤其对小目标检测有明显的提升。 anchor based的缺点是需要设定很多超参数,如尺度、长宽比等,这些参数很难设计,并且会影响检测性能。另外,anchor based的方法也会产生很多冗余的框,增加了计算量和内存消耗。