<form id="lpt7j"><dfn id="lpt7j"></dfn></form>

<sub id="lpt7j"></sub>
    <address id="lpt7j"></address>

        <sub id="lpt7j"><var id="lpt7j"></var></sub>
        <address id="lpt7j"></address>

          <thead id="lpt7j"><var id="lpt7j"><output id="lpt7j"></output></var></thead>

              <form id="lpt7j"><dfn id="lpt7j"></dfn></form><thead id="lpt7j"><var id="lpt7j"><output id="lpt7j"></output></var></thead>
              <address id="lpt7j"><dfn id="lpt7j"></dfn></address>

              <thead id="lpt7j"><delect id="lpt7j"><ruby id="lpt7j"></ruby></delect></thead>
              <address id="lpt7j"><var id="lpt7j"></var></address>

                <address id="lpt7j"><dfn id="lpt7j"></dfn></address>

                <thead id="lpt7j"><delect id="lpt7j"><ruby id="lpt7j"></ruby></delect></thead><address id="lpt7j"><var id="lpt7j"></var></address>

                【总结 Anchor-free1】Anchor-Free Keypoint方法总结以及思路分析

                &Anchor-based的shortcoming

                1) 使用anchor时,需要在每个特征尺度上密集平铺,而仅有很少一部分是正样本,即正负样本的比例差别很大;最终有很多计算都花费在无用样本,且一般使用时需要进行预处理,挖掘难负例;

                2) 需要预定义的anchor size以及aspect ratio。检测性能会收到这些预定义的参数的影响,如果在每一个位置设定的anchor的数量太多,也会导致计算量成倍增长;

                3) 使用axis-align的形式:

                • 由于anchor是针对特征图上的点进行提取的,并不是所有的像素点上都会提取对应的anchor,且在每个点上提取的anchor的数量也不尽相同,如果只使用axis-align形式,最终结果可能对于那个bbox中心不在特征图上的点不大友好,最终影响整体的精度;当然,目前也有针对该问题做出的调整,如可以通过预测中心点偏移,参照RepDet中的Adaptive Convolution方法
                • 使用box来作为一个目标的回归结果,仍然会在其中包含大量的背景信息,尤其是在边角区域,而且对于斜放的细长目标会造成更大的影响。在这个方向上,也存在一些改进方式,如ExtremNet提出的使用八边形来描述一个目标,(Segmentation is All You Need)论文中也提出将目标的范围通过椭圆精细化。

                 

                &Anchor-free方法以及具体思想

                1) YOLOv1

                YOLOv1摒弃了anchor,使用grid来负责每一块区域的目标检测。主要思想就是将整张图片划分为S×S(7×7)个grid,每个网格检测B(2)个bbox。

                分享图片

                按照论文讲述的结果,先将图片resize到448×448;然后输入到CNN中,最终输出一个7×7×30的矩阵,其中30表示的是20个类别得分,2个回归框的信息(x, y, w, h, confidence);将最终的结果使用NMS进行处理。

                分享图片

                显而易见,网上有人觉得这也是anchor的一种变种,但是,我认为这已经不再是anchor,反倒观点更接近于通过点来对bbox回归的思想。只不过YOLOv1是通过先将整张图片分成了多个网格,对应的中心落在该网格内的目标则由这个网格来回归。

                Pros

                • 处理速度很快。YOLOv1的运行速度因为预处理部分很简单,只是简单地进行resize,之后直接使用CNN网络进行回归,在后处理中也只是用到了NMS,且最终得到的bbox回归框的个数极少。
                • 降低背景误检。相比于anchor-based方法会提取很多的anchor出来,YOLOv1在运算过程中,会使用到的“anchor”相当少,至多只有7×7×2个。

                Cons

                • 模型精度低。因为在运算中使用了很少的box,而且还定义了一个grid至多能识别的目标的数量,对于无目标与多目标存在同一个grid中的情况很不友好。且模型是从数据中学习预测bbox,最终对于新的或者不寻常的aspect ratio或者configuration的目标很难识别,由于使用了多层的卷积层,最终使用到的特征的信息很粗糙。
                • 不适用于密集目标检测。同理。
                • 有着很强的空间限制因为YOLOv1在一个grid中至多只能识别两个目标,而且只能识别一个类。
                • 损失函数等同对待小bbox以及大bbox的误差。

                总而言之,YOLOv1可视为anchor-free论文的第一篇发迹文。之后就迎来了anchor-free方面论文的并发期,之后最基础的方法就是CenterNet以及CornerNet。

                 

                2) CenterNet

                CenterNet的主要思想是通过中心点的信息来回归出其他bbox的属性,如中心点与四条边的距离、姿势、方向等信息。

                分享图片

                首先,CenterNet会计算keypoint heatmap,然后通过网络直接回归出需要使用的信息。这种方法简单、快速、高效而且没有任何的NMS的后处理操作,可以直接端到端地进行训练。但是,只使用中心点进行回归,显然会使得获取的信息过少,可能不足以支撑回归出如此有效的信息,最终影响到检测性能。不过可能是由于其回归的信息很充分,增强了各种信息的表征能力使得能够对结果有所提升,【愚见,之后会重温】

                 

                3) CornerNet

                相比CenterNet从中心点来回归出边界距离获得bbox来说,CornerNet反其道而行,直接使用两个角点:top-left,bottom-right,直接定义bbox,以一组角点来确定一个目标。

                分享图片

                首先,CornerNet计算出top-left以及bottom-right两个heatmaps,其中分别表明图中的top-left以及bottom-right点的信息,然后通过embeded方法计算top-left集合以及bottom-right集合中点的距离,将距离最近的点分为一个组,作为最终的bbox。其中也是用了一些改进方法,如Corner-Pool,使得计算角点更精确。

                当然,这种想法也很好,但是却不可避免地引入了分组的计算算法,增加了计算难度,同时与CenterNet类似,即便此时使用了两个角点的信息来确定一个bbox,此时的角点由于使用了Corner Pool方法融入了更多边的信息,不可避免地导致网络对于边更加敏感,而且忽略了更多的内部细节

                 

                4) CenterNet-Triplets

                这种方法粗略来看就相当于整合了Center以及Corner的信息,相当于在CornerNet的基础上增加了Center的信息作为其中一个判别标准。Corner的heatmaps的生成仍然像CornerNet中一样,只不过多增加一个分支为center heatmap,corner分组后需要判断其中是否包含有center heatmap中的点,没有就可以直接排除。剩下的与CornerNet相似。

                分享图片

                此外,考虑到corners对目标框中的内部信息把握不准,在CornerPool的基础上进行改进,提出了Cascade Corner Pool,使得corner也能编码一些内部的信息,增强了点的表征力;与此同时,提出了Center Pool,获得水平方向以及竖直方向上的最大值,也能够表示更多的信息。

                 分享图片

                但是,其一,我觉得使用的Cascade Corner Pool的方法的表义不明,即便在进行第二步的时候确实获取了一些框内的信息,增强了点的表征力,但是使用到的这个内部信息的表义却不是很明确,只能说明加入了一些内部信息时确实对结果产生了有利影响;其次使用到的信息仍然不够,尤其是对回归框的内部信息的使用,虽然使用到了center heatmap,但是最后只是用来做辨别,相当于没有完全利用这部分的信息。

                因此在这个基础上是否可以将center的信息也利用进回归框的信息预测中,不过需要考虑一下怎么使用,而且ExtremeNet使用的方法与之也有相同之处

                 

                5) ExtremNet

                ExtremeNet使用到了4条边的极值点,以及中心点,在CenterNet-Triplets的基础上将预测的角点分解为边的极值点,同时分组不再按照embeded计算的距离,而是随机分组。

                 分享图片 

                首先,网络计算得到5个heatmaps,分别为top、left、bottom、right以及center heatmap,其中top、left、right以及bottom仍然作为bbox获取的途径,每次从其中任取一个点作为一个bbox的四个极值点,然后计算其逻辑中心,如果在center heatmap中存在,则将之视为一个bbox,用作回归过程。

                该方法,从分组的方式上来看,显然这个计算量是很大的。其余除了比CenterNet-Triplets多了一些边上的信息外,存在着与之相似的问题,而且网络对边缘的敏感更高

                整体来看,这个方法就是对CenterNet-Triplets方法的分解,将Corner的预测转化为极值点的预测,显然,这些点所能包含的信息会更多一些,但增加的信息也有限,不过给我们提供了一个优化结果的思路;将任务分解为更细致的任务,获取到更多信息以及分解任务间的关联性可能会对网络产生好的影响

                【注】之后会增加RepDet的内容,同时将使用的密集点检测的Anchor-free的方法也做进一步的总结。

                相关文章
                相关标签/搜索
                4887铁算昷四肖2019年马会全年资料_香港马会资料大全2019_香港马会免费资料大全 桑日县| 宜兰县| 来宾市| 长宁区| 革吉县| 鄂伦春自治旗| 安溪县| 靖西县| 冷水江市| 抚顺县| 乐都县| 泽库县| 许昌县| 增城市| 读书| 资阳市| 南靖县| 洛隆县| 左云县| 寿宁县| 临海市| 庆云县| 周口市| 开江县| 娄底市| 麻城市| 蓬莱市| 宾川县| 繁昌县| 潼关县| 赤峰市| 莱西市| 简阳市| 荣昌县| 当雄县| 堆龙德庆县| 涿州市| 湟源县| 云龙县| 鄂州市| 永川市| 勐海县| 宁国市| 兴宁市| 吴桥县| 泰顺县| 松滋市| 湘潭市| 囊谦县| 安新县| 大荔县| 临桂县| 清流县| 荆门市| 兴和县| 马尔康县| 浮山县| 衡南县| 忻州市| 宜章县| 云南省| 银川市| 福泉市| 吉首市| 高安市| 涪陵区| 深圳市| 鞍山市| 黄龙县| 浙江省| 嘉黎县| 大兴区| 汉源县| 轮台县| 新建县| 江永县| 汝阳县| 福建省| 通河县| 凤翔县| 甘谷县| 米易县| 桦川县| 渝中区| 临澧县| 吴忠市| 辽宁省| 汝阳县| 米脂县| 伊吾县| 中超| 资源县| 荣成市| 将乐县| 新泰市| 邳州市| 子洲县| 中方县| 无极县| 民县| 正蓝旗| 揭阳市| 宝兴县| 尖扎县| 平顺县| 江华| 潢川县| 通江县| 巴塘县| 潍坊市| 铁力市| 文山县| 平湖市| 色达县| 江西省| 白玉县| 丰原市| 汉寿县| 会泽县| 苍梧县| 河源市| 鲁山县| 黄梅县| 大洼县| 深州市| 贵州省| 泰和县| 石景山区| 茌平县| 若羌县| 缙云县| 龙门县| 宝鸡市| 古蔺县| 南澳县| 茌平县| 济宁市| 桑植县| 于都县| 深州市| 托克逊县| 黄山市| 碌曲县| 海门市| 施秉县| 宿迁市| 永仁县| 武宣县| 封开县| 丰都县| 平凉市| 墨竹工卡县| 玉屏| 寻乌县| 车险| 枣强县| 沧州市| 岳西县| 南宁市| 昌都县| 遵化市| 东安县| 德格县| 神木县| 策勒县| 聂荣县| 双柏县| 辉县市| 新河县| 石台县| 杂多县| 郓城县| 松桃| 丰台区| 青田县| 合肥市| 广元市| 南岸区| 喀喇| 三门县| 仙游县| 阳城县| 栾城县| 化州市| 怀远县| 临洮县| 济宁市| 新民市| 紫阳县| 嘉峪关市| 盈江县| 平山县| 桃江县| 武陟县| 香格里拉县| 明星| 内黄县| 盘山县| 育儿| 宜春市| 榆社县| 双流县| 时尚| 铜山县| 凤冈县| 清原| 仁寿县| 沈丘县| 嘉黎县| 吉隆县| 大冶市| 陵川县| 宕昌县| 鄢陵县| 石狮市| 临泽县| 星子县| 资兴市| 龙南县| 桂阳县| 皮山县| 西乌| 正安县| 丰顺县| 西昌市| 即墨市| 会同县| 沭阳县| 兴国县| 清原| 多伦县| 嘉鱼县| 新巴尔虎左旗| 老河口市| 南岸区| 桑日县| 绥芬河市| 和田市| 若羌县| 洛扎县| 华宁县| 深圳市| 遂平县| 宿松县| 哈尔滨市| 韶关市| 休宁县| 阜康市| 云霄县| 丹凤县| 河曲县| 徐汇区| 巩义市| 滨州市| 镇远县| 壤塘县| 焦作市| 扶余县| 启东市| 固原市| 高州市| 明水县| 普兰县| 桓仁| 车致| 六盘水市| 镇赉县| 宝鸡市| 天台县| 祁门县| 永修县| 瓦房店市| 天水市| 通道| 崇阳县| 宁德市| 襄汾县| 莲花县| 洛扎县| 鄂托克前旗| 遵化市| 通化市| 江津市| 靖边县| 忻州市| 晋中市| 区。| 泌阳县| 确山县| 鹤岗市| 皋兰县| 西峡县| 乌拉特后旗| 泸州市| 和林格尔县| 修文县| 江都市| 宁南县| 渭源县| 仲巴县| 开远市| 聂拉木县| 高要市| 上饶市| 青阳县| 阜平县| 奎屯市| 高唐县| 兰溪市| 齐河县| 舟曲县| 视频| 吉木萨尔县| 揭西县| 河池市| 兰考县| 金湖县| 巴马| 云霄县| 沛县| 巴中市| 长丰县| 镇坪县| 武平县| 大化| 灯塔市| 郴州市| 汉中市| 巫溪县| 平遥县| 启东市| 分宜县| 富阳市| 凌海市| 黎城县| 栾城县| 四川省| 库伦旗| 瓮安县| 上犹县| 武山县| 福建省| 宜宾县| 南投市| 沅江市| 淳化县| 思南县| 荆州市| 合江县| 民县| 民丰县| 乐山市| 丹阳市| 革吉县| 新沂市| 南投县| 清流县| 西充县| 神木县| 银川市| 巴青县| 临沧市| 古丈县| 仙居县| 睢宁县| 新竹县| 海兴县| 秦安县| 洛阳市| 辽阳市| 宜宾市| 抚宁县| 南陵县| 高青县| 高陵县| 平山县| 建宁县| 黄石市| 沙洋县| 浠水县| 句容市| 阿拉善左旗| 明光市| 健康| 宁陵县| 卢龙县| 安阳市| 绵竹市| 黑龙江省| 芦溪县| 崇州市| 正宁县| 莎车县| 肃宁县| 元氏县| 白水县| 巫山县| 沭阳县| 客服| 太湖县| 无锡市| 罗江县| 涞源县| 安仁县| 苗栗市| 运城市| 襄城县| 鹤壁市| 邹平县| 沛县| 琼中| 汨罗市| 响水县| 大名县| 东源县| 大庆市| 聂荣县| 根河市| 江门市| 共和县| 龙江县| 石首市| 宁河县| 昂仁县| 西安市| 洞口县| 潜山县| 页游| 宜州市| 泌阳县| 贞丰县| 南投县| 忻城县| 屏边| 上虞市| 耒阳市| 无极县| 平阳县| 双牌县| 南陵县| 敦煌市| 南涧| 安塞县| 洛浦县| 桃江县| 顺平县| 家居| 平原县| 武强县| 上饶市| 灵石县| 营口市| 乳山市| 涪陵区| 利辛县| 江山市| 保靖县| 永春县| 长汀县| 西乌珠穆沁旗| 延寿县| 二连浩特市| 辛集市| 古丈县| 克什克腾旗| 九龙坡区| 海兴县| 万荣县| 南宁市| 宜川县| 北辰区| 芮城县| 望奎县| 上蔡县| 将乐县| 城市| 中西区| 庆云县| 阿荣旗| 曲水县| 寿宁县| 马龙县| 封开县| 镇雄县| 株洲县| 图木舒克市| 寿宁县| 铁岭县| 临邑县| 化德县| 玉田县| 潼南县| 梅州市| 苏州市| 昌吉市| 珠海市| 乌海市| 宝兴县| 中西区| 乌拉特中旗| 华蓥市| 临城县| 汪清县| 兰考县| 安多县| 余庆县| 晋宁县| 武汉市| 阜南县| 集安市| http://wap.gz1980binc.fun http://wap.yqo6j9rl1v.fun http://www.bo2020bells.fun http://wap.bo2020seats.fun http://wap.yqo7j0rl2v.fun http://m.gz1980pairc.fun http://www.bo2020furthers.fun http://www.yqo4j9rl4v.fun http://wap.yqo8j4rl8v.fun http://m.gz1980cancelc.fun http://wap.gz1980wholesalec.fun http://wap.bo2020suzzers.fun http://wap.yqo3j8rl7v.fun http://www.gz1980upc.fun http://wap.gz1980puzpc.fun