1.CornerNet是一个真正意义上的anchor-free的网络,它把anchor box简单表示为左上角与右下角一个关键点对, 2.使用一个新池化层corner pooling,帮助网络更好的寻找角点 3.在识别精度超过现存的one-stage的网络,达到SOTA。 CornerNet网络结构 Cornet网络使用Hourglass网络作为backbone网络,后面跟随两个预测模型,分别预测bo...
上面提到的 anchor-free 和每个位置有一个正方形 anchor 在形式上可以是等价的,也就是利用 FCN 的结构对 feature map 的每个位置预测一个框(包括位置和类别)。但 anchor-free 仍然是有意义的,我们也可以称之为 anchor-prior-free。另外这两者虽然形式上等价,但是实际操作中还是有区别的。在 anchor-based 的方法...
早期目标检测研究以anchor-based为主,设定初始anchor,预测anchor的修正值,分为two-stage目标检测与one-stage目标检测,分别以Faster R-CNN和SSD作为代表。后来,有研究者觉得初始anchor的设定对准确率的影响很大,而且很难找到完美的预设anchor,于是开始不断得研究anchor-free目标检测算法,意在去掉预设anchor的环节,让网络自...
本文提出了FCOS(fully convolutional one-stage object detector)网络,以逐像素预测的方法进行目标检测,值得注意的是,这种网络是“anchor-free”和“proposal-free”的。通过移除预定义尺寸的anchor,FCOS可以避免大量的繁琐计算步骤,提升效率;更为重要的是,此前anchor的超参数设计对于检测精度的影响很大,本文的方法可以很好...
SAPD:Soft Anchor-Point Detector 时间:2019年11月28日 作者团队:卡耐基梅隆大学(CMU) 论文链接:https://arxiv.org/abs/1911.12448 近来,anchor-free 目标检测器在准确性和速度方面都显著的超越 anchor-based 的检测器。在SAPD这个工作中,作者旨在为anchor-free 检测器寻找速度(FPS)和准确性(mAP)之间的新平衡。
在CVPR 2020上,商汤3D&AR团队-身份认证与视频感知组提出了基于向心偏移的Anchor-free目标检测网络CentripetalNet,为基于关键点的目标检测方法研究带来了新思路。CentripetalNet在大型公开数据集MS-COCO上达到了目前Anchor-free检测模型中的最优效果。 论文地址见文末。
所谓基于关键点进行目标检测,其实就是使用one-stage网络将目标边界框检测为一对关键点(即边界框的左上角和右下角)。通过将目标检测为成对关键点,就可消除现有的one-stage检测网络中对一组anchors的需要,这个最近火热的anchor-free也是不谋而合。接下来,先简单介绍下CornetNet和CenterNet这两个基于特征点的目标检测网...
早期目标检测研究以 anchor-based 为主，设定初始 anchor，预测 anchor 的修正值，分为 two-stage 目标检测与 one-stage 目标检测，分别以 Faster R-CNN 和 SSD 作为代表。后来，研究者开始探索 anchor-free 目标检测算法，意在去除预设 anchor 的环节，让网络自行学习 anchor 的位置与形状，在速度与...
最近又跳回来继续学习基于anchor free的目标检测模型,具体包括CornerNet和CenterNet等网络结构 。 学习anchor free的detector目的如下: (1) 作为以目标检测领域入门深度学习的小白,如果目标检测领域没有接触到anchor free,显得我很业余,很不专业(当然,这仅仅是心理作用罢了哈哈) ...
本文的方法是一种Anchor-free目标检测器,因为它不需要定义Anchor boxes。本文也将应用于具有不同结构的Backbone,即hourglass-like和pyramid-like网络,分别在单分辨率特征地图和多分辨率特征地图上检测目标。 在MS-COCO数据集上,使用Res2Net-101和Swin-Transformer的CenterNet分别实现了53.7%和57.1%的ap,优于所有现有的bot...