FCOS
# Anchor-based & Anchor-free
# 相同点
均基于特征图上的点来构造学习目标
# 不同点
Anchor-based
- 外生视角
- 超参难调
- 代码复杂度高
- bbox回归相对简单
- 单个point可以响应多个目标
Anchor-free
- 内生视角
- 超参少
- 代码复杂度低
- bbox回归相对困难
- 单个point只能服务一个目标
# FCOS: Fully Convolutional One-Stage Object Detection
# 背景
Anchor-based检测器的性能一般跟Anchor的大小以及长宽比相关。
通常Anchor的大小和长宽比都是固定的，很难处理形状变化大的目标。在迁移到其他任务上需要重新设计。
为了更到的召回率，通常需要密集的Anchor。但是在训练的时候大多数会被定义为负样本，造成正负样本的不均衡。
Anchor会使网络在训练的时候更繁琐。
# 网络结构
# 输出格式
# Centerness
# 正负样本匹配
# Benchmark
# 参考文章
编辑 (opens new window)
上次更新: 2022/09/30, 04:53:04