而使用anchor的方法因为需要人工设定,并且anchor带来了一些参数的增长,其中还存在一些不可避免的冗余。于是逐渐涌现出anchor-free的方法。anchor-free顾名思义,即不使用anchor而直接进行分类与回归,它们通常应用热力图或其他的手段,对中心点或角点进行预测,完成目标检测。典型的基于多关键点联合表达的方法如:Co
anchor free 目标检测(三)---基于anchor points的FCOS FCOS: Fully Convolutional One-Stage Object Detection 特点:全卷积,单阶段,类似于语义分割的逐像素预测 优点:无anchor box, 无proposal。设计复杂度大大降低。 避免了训练时计算IOU,更重要的是避免了所有与anchor box相关 锚点 像素点 卷积 复杂度 其他...
作者通过试验证明了,anchor-base和anchor-free的gap主要来自于第一点:classification,及核心区别在于二者正负样本的选取方式不同。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...