人工智能及大數(shù)據(jù)學(xué)習(xí)-object

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(zhǔn)；Anchor-free其一，對(duì)于Anchor-based方法，groundtruthIoU≥0.5的 訓(xùn)練樣本?？梢园l(fā)現(xiàn)，正負(fù)樣本的定義與邊界框回歸結(jié)果無(wú)關(guān)，這就導(dǎo)致Anchor-based分支每個(gè) Anchor-free方法，網(wǎng)絡(luò)訓(xùn)練方式類似于目標(biāo)分割任務(wù)。輸出的特征圖reference:人臉檢測(cè)江湖的那些事兒——從曠視說(shuō)起: 和時(shí)間。對(duì)于單階段算法來(lái)說(shuō)，為了使其更為有效的檢測(cè)小目標(biāo)，通常進(jìn)行FPN結(jié)構(gòu)以總而言之，Anchor-basedAnchor-freeanchorbasedanchorfree方anchor (0.50.7)的目標(biāo)，anchor數(shù)量，檢測(cè)層Pn的感受野ooAnchorFaster錨框：AnchorboxanchorFSAFforSingle-ShotObjectDetection:在RetinaNet基礎(chǔ)上添加了anchorht，個(gè)人感覺(jué)是不是只在最后又監(jiān)督信息，訓(xùn)練難度是否要大些。參考：GuidedAnchoringanchor-prior-freeanchor-based一致，所以可以到現(xiàn)有的anchor-based的方法里面然后以結(jié)果作為anchor進(jìn)行進(jìn)一步地修正。FoveaBox:假設(shè)FPN中每一個(gè)層一定范圍內(nèi)的boundingbox，而每個(gè)特征金字塔都有一basicarea32*32512*512FoveaBox為了使每個(gè)層 y_1, y_1,x_2,y_2) 關(guān)系(t_{x_1},t_{x_2},接著使用簡(jiǎn)單的L1z=\sqrt{S_l一個(gè)歸一化因子，將輸出空間到中心為1的空間，使得訓(xùn)練穩(wěn)定。最后使用log空間函數(shù)進(jìn)行但仍然需要手工的去設(shè)置參數(shù)，比如每層的area的范圍，以及正樣本區(qū)域的縮放因子的參數(shù)?？偟膩?lái)說(shuō)還是不錯(cuò)的，吸取了DenseBox的大量?jī)?yōu)點(diǎn)，也對(duì)其 一個(gè)distance，而是去學(xué)習(xí) FCOS:FCNs的網(wǎng)絡(luò)在密集檢測(cè)例如語(yǔ)義分割任務(wù)都有很好的效果，那 存在一個(gè)問(wèn)題，就是真實(shí)的區(qū)域交疊問(wèn)題，如果那個(gè)分割區(qū)域交疊了，那么存在一個(gè)問(wèn)題，就是真實(shí)的區(qū)域交疊問(wèn)題，如果那個(gè)分割區(qū)域交疊了，那么A.FPN結(jié)構(gòu)來(lái)在每一層加以限定，因?yàn)檫@兩者之間的尺度相差較大，文章5個(gè)區(qū)間來(lái)限定B.如果一個(gè)像素點(diǎn)在同一層落到了多個(gè)GT區(qū)域，這樣也會(huì)ambiguous。這是作ItisworthnotingthatFCOScanleverageasmanyforegroundsamplesaspossibletotraintheregressor.Herel?,t?,r?andb?arethedistancesfromthelocationtothefoursidesoftheboundingbox借鑒了關(guān)鍵點(diǎn)檢測(cè)的思路來(lái)做detection:CornerNet,第一個(gè)貢獻(xiàn)是設(shè)計(jì)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(guān)系。第二個(gè)貢獻(xiàn)是提出了CornerPooling務(wù)的變化，傳統(tǒng)的 方法并不是非常適用該網(wǎng)絡(luò)框架0.1%（不如CorNerNet），mult-scale上比CorNerNet1.1個(gè)點(diǎn)。CenterNet:精度高，思想是通過(guò)中心點(diǎn)抑制誤檢；使用CascadeCornerPo據(jù)左上角和右下角點(diǎn)，得到物體的boundingbox；使用CenterPooling模塊，提Centerheatmap，根據(jù)Centermap的得到所有的物體中心點(diǎn)。使用物體中心點(diǎn)對(duì)提取到的boundingbox進(jìn)行進(jìn)一步過(guò)濾，如果box的中間區(qū)域沒(méi)有中心點(diǎn)存在，則認(rèn)為此box不可靠。ObjectsasPoints(CenterNet)：速度快，出發(fā)點(diǎn)是用中心點(diǎn)做盡可能多的任務(wù)，基本上把中心點(diǎn)玩出了花，通過(guò)檢測(cè)中心點(diǎn)以及各種長(zhǎng)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(zhǎng)寬。ade是追求高準(zhǔn)確率(mAP)的同時(shí)，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(guò)15年的Densebox和18的CornerNet這兩篇文章的思路,剩下的無(wú)非就是如何更高效的用點(diǎn)來(lái)表示一個(gè)box. N用NxN個(gè)點(diǎn)來(lái)表示,ExtremeNet用四個(gè)極值點(diǎn)+一個(gè)中心點(diǎn)來(lái)表示,CenterNet用兩個(gè)角點(diǎn)+一個(gè)中心點(diǎn)來(lái)表示,ObjectsasPoints( 也叫CenterNet)用一個(gè)中心點(diǎn)+長(zhǎng)寬值來(lái)表示,FCOS用點(diǎn)+到框的四個(gè)距離來(lái)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(dá)到35ms一幀(GPUTitanV下,而且輸入是512*512).所以感覺(jué)CornerNet-Lite出現(xiàn)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(yōu)點(diǎn)都結(jié)合起來(lái),再優(yōu)化下,說(shuō)不定accurate/speed真的可cascade方 定位精度：2018WIDERChallengeFaceDetection:CascadeRegression N到HybridTaskCascade:將這種結(jié)構(gòu)或思想引入到實(shí)例分割中并不是一件直接而容易的事情，如