目标检测anchor free系列检测器简介:CornerNet,CenterNet
发布网友
共1个回答
热心网友
目标检测领域中的检测器大致可以分为三类：anchor-based系列、anchor-free系列以及结合了两者优势的混合模型。本文将重点介绍一些典型的anchor-free系列检测器，包括DenseBox、Yolov1、CornerNet、CornerNer-Lite、CenterNet、ExtremeNet、FoevaBox、FCOS、FSAF、Reppoints等。
首先，DenseBox和Yolov1是传统的anchor-based系列检测器的代表，它们在目标检测领域有着广泛的应用和深入的研究。然而，随着时间的推移，研究人员开始探索更高效、更精确的解决方案，其中CornerNet系列的出现标志着anchor-free方法的兴起。
CornerNet是普林斯顿大学提出的一种开创性的anchor-free方法。该方法创新性地将目标检测任务转变为检测图像中的目标框的左上角点和右下角点，然后通过匹配这些角点来确定目标框。CornerNet不仅开辟了一个新的研究方向，而且激发了后续一系列改进和扩展的模型，如CornerNet-Lite、ExtremeNet等。
CornerNet-Lite，作为CornerNet的升级版本，分为两个子模型：CornerNet-Saccade和CornerNet-Squeeze。CornerNet-Saccade专注于提高准确性，同时优化计算速度，相比原始CornerNet，其精度提升1个百分点，速度提升6倍。而CornerNet-Squeeze则追求高性能和高精度的平衡，其在精度上与Yolov3相比提升了1个百分点，且在速度上有所提升。
在CornerNet的基础上，CornerNet-Lite通过采用不同的backbone，如Hourglass-54，来优化模型的性能。相比CornerNet中使用的Hourglass-104，CornerNet-Saccade使用了更深层次的backbone，从而提高了模型的准确性和速度。
ExtremeNet是一个新颖的目标检测模型，通过预测目标的上下左右4个极值点以及中心点来实现目标检测。这种设计不仅简化了模型结构，还提高了检测的准确性和速度，是anchor-free系列中一个值得推荐的文章。
CenterNet是一个基于点的目标检测器，它将目标检测简化为预测中心点和对象大小，并使用了端到端可微的网络结构，实现了简单、快速和准确的检测效果。CenterNet的网络结构包括Backbone、Heatmaps、Object Size和Object Offsets部分，通过预测中心点、调整对象大小和位置偏移来实现目标检测。
总的来看，anchor-free系列的检测器如CornerNet、CenterNet等，通过创新的视角和方法，为目标检测领域带来了新的活力和可能。这些模型不仅在精度上达到了较高水平，而且在计算效率上也表现出色，为实际应用提供了有力支持。
