Anchor-free的目标检测文章

参考：https://mp.weixin.qq.com/s/eOGkafUE6papKHCpbYrwqQ

一个同行大神的总结：https://blog.csdn.net/qiu931110/article/details/89430747

原文名为：重磅！13篇基于Anchor free的目标检测方法，这里我只介绍我觉得比较有用的文章和算法

13篇基于Anchor free的目标检测论文列表，后面是我赛筛选其中比较重要的部分，内容没做太多改动。

UnitBox: An Advanced Object Detection Network
Densebox
Yolo-1
CornerNet
ExtremeNet
FSAF: Feature Selective Anchor-Free
FCOS: Fully Convolutional One-Stage
FoveaBox
Center and Scale Prediction: A Box-free Approach for Object Detection
Region Proposal by Guided Anchoring(GA-RPN)
CenterNet: Objects as Points
CenterNet: Keypoint Triplets for Object Detection
CornerNet-Lite: Efficient Keypoint Based Object Detection

UnitBox: An Advanced Object Detection Network

贡献点：把回归的的loss从smoothL1改成IOU loss，我记得它的motivation比较哲理性：我们的目标和我们的行动应该一致，既然我们看性能时是看通过IOU计算，那我们loss应该直接和IOU相关。

CornerNet: Detecting Objects as Paired Keypoints

CornerNet是2018 ECCV oral 文章，引领基于关键点的目标检测算法，后面好多文章都是certerNet和centerNet-lite都是基于这篇文章做的优化。

把检测目标框变成一对关键点的问题，即左上角和右下角，这样就消除了锚框的设计麻烦。另外，采用的角点池化（corner pooling）技术帮助CNN更好地定位角点位置。下图给出了系统流程图：CNN模型输出两个关键点的各自热图（heatmap），同时各跟一个嵌入向量。同一个目标的角点，训练后的神经网络会预测类似的嵌入。

下图是定位的角点池化技术：每个特征图通道沿着两个方向取最大值，然后求和。文章提出的corner pooling：

FSAF: Feature Selective Anchor-Free Module

主要思想：基于特征金字塔网络(feature pyramid structure，FPN)的在线特征选择能力，在训练时可以动态分配每个实例到最适合的特征层，在推理时能够和带锚的模块分支一起工作，最后并行地输出预测。

我看了这篇文章作者的报告，他说大家都以为他这篇文章的主要贡献在anchor-free而，实际anchor-free的概念早在yolo1就提出来了，这篇文章的主要贡献在与特征选择的设计，选择loss最小的特征。

FCOS: Fully Convolutional One-Stage Object Detection

CenterNet: Object Detection with Keypoint Triplets

Center and Scale Prediction: A Box-free Approach for Object Detection

主要思想是：目标中心点，语义抽象。

目标检测变成一个直接的中心和尺度预测。最后卷积有两个通道，一个是关于中心位置的热图，另一个是中心的尺度图。

这篇文章的代码我试过，稍微改一下就能训练。但是是基于keras的，而且多卡并行一直没调好。