目标检测：Anchor-Free时代自从2018年8月CornerNet开始

自从2018年8月CornerNet开始， Anchor-Free的目标检测模型层出不穷，最近达到了井喷的状态，宣告着目标检测迈入了Anchor-Free时代。
其实Anchor-Free并不是一个新概念了，大火的YOLO算是目标检测领域最早的Anchor-Free模型，而最近的Anchor-Free模型如FASF、FCOS、FoveaBox都能看到DenseBox的影子。
下面主要讲一下有代表性的Anchor-Free模型(包括DenseBox、YOLO、CornerNet、ExtremeNet、FSAF、FCOS、FoveaBox) ，分成3个部分来介绍(早期探索、基于关键点、密集预测) ，具体细节就不展开了~
早期探索1 DenseBox
最早知道这篇文章，是在去年刚接触目标检测的时候，看了一篇地平线对DenseBox作者的采访，当时因为刚接触感触不深，但是从当前的时间节点回头看， DenseBox的想法是多么的超前啊。
采访中说道，当年DenseBox其实早在2015年初就已经开发出来了，这比同期的Faster-RCNN系列提前数月，但是论文直到9月才在arxiv上发布。如果DenseBox能在2015年初就发表，那么最近几年目标检测的发展会不会是另外一番景象呢~
两点贡献：
1.证明单个FCN可以检测出遮挡严重、不同尺度的目标。
2.通过多任务引入landmark localization ，能进一步提升性能。
文章插图
如图1所示，单个FCN同时产生多个预测bbox和置信分数的输出。测试时，整个系统将图片作为输入，输出5个通道的feature map 。每个pixel的输出feature map得到5维的向量，包括一个置信分数和bbox边界到该pixel距离的4个值。最后输出feature map的每个pixel转化为带分数的bbox ，然后经过NMS后处理。
Ground Truth Generation
文章插图
第一个通道ground truth map的正标签区域由半径为r的圆填充，圆的中心点位于bbox的中点。而剩下的4个通道由bbox的2个角点决定。
Refine with Landmark Localization
文章插图
在FCN结构中添加少量层能够实现landmark localization ，然后通过融合landmark heatmaps和score map可以进一步提升检测结果。
2 YOLO
YOLO将目标检测作为一个空间分离的边界框和相关的类概率的回归问题。可以直接从整张图片预测出边界框和分类分数。
三个优点：
1.速度快
2.通过整幅图进行推理得到预测结果
3.能学到目标的一般特征
文章插图
Unified Detection
文章插图
YOLO将输入图片分成SXS个网格，如果某个目标的中心点落到其中一个格点，那么该格点就负责该目标的检测。每个格点预测出B个bbox和每个bbox的置信分数。
定义置信度为：
文章插图
每个bbox由5个预测值组成：x ， y ， w ， h 和置信度。每个格点也预测C个类概率
文章插图
测试的时候，将类概率和置信分数相乘，得到类置信分数
文章插图
举个例子，在Pascal VOC数据集上评估YOLO ，使用S=7 ， B=2 ， VOC有20类，所以C=20 ，那么最终的预测结果是7x7x30的向量。
DenseBox和YOLO的区别：
1.DenseBox应用于人脸检测，相当于只有两类，而YOLO是通用检测，通常大于两类。
2.DenseBox是密集预测，对每个pixel进行预测，而YOLO先将图片进行网格化，对每个grid cell进行预测。
3.DenseBox的gt通过bbox中心圆形区域确定的，而YOLO的gt由bbox中心点落入的grid cell确定的。
基于关键点3 CornerNet
两点贡献：
1.通过检测bbox的一对角点来检测出目标。
2.提出corner pooling ，来更好的定位bbox的角点。
文章插图
Detecting Corners
文章插图
首先预测出两组heatmaps ，一组为top-left角点，另一组为bottom-right角点。每组heatmaps有C个通道，表示C个类别，尺寸为HxW 。每个通道是一个binary mask ，表示一个类的角点位置。
文章插图