Anchor-based 与 Anchor-free 优缺点
Anchor-based机制的优缺点
1. 优点:
(1)使用anchor机制产生密集的anchor box,使得网络可直接在此基础上进行目标分类及边界框坐标回归;
(2)密集的anchor box可有效提高网络目标召回能力,对于小目标检测来说提升非常明显。
2. 缺点:
(1)anchor机制中,需要设定的超参:尺度(scale)和长宽比( aspect ratio)是比较难设计的。这需要较强的先验知识。
(2)冗余框非常之多:一张图像内的目标毕竟是有限的,基于每个anchor设定大量anchor box会产生大量的easy-sample,即完全不包含目标的背景框。这会造成正负样本严重不平衡问题,也是one-stage算法难以赶超two-stage算法的原因之一。
(3)网络实质上是看不见anchor box的,在anchor box的基础上进行边界回归更像是一种在范围比较小时候的强行记忆。
(4)基于anchor box进行目标类别分类时,IOU阈值超参设置也是一个问题,0.5?0.7?有同学可能也想到了CVPR2018的论文Cascade R-CNN,专门来讨论这个问题。感兴趣的同学可以移步:Naiyan Wang:CVPR18 Detection文章选介(上)
1、anchor-free存在什么缺点?
2、物体检测的轮回: anchor-based 与 anchor-free
Anchor-based 与 Anchor-free 优缺点相关推荐
- Anchor Based和Anchor Free的相爱相杀与ATSS的诞生
前言 我们都知道按照是否出现RPN可将目标检测算法分为two-stage和one-stage,其中one-stage的一个主要代表便是YOLO系列,而根据是否存在先验锚框的定义我们也可以将其分为Anc ...
- Anchor Based和Anchor Free
Anchor Based和Anchor Free之间区别主要有以下两点:1.分类差异(关键正负样本定义)2.回归差异 1.分类差异: 现阶段的算法多尺度预测,即GT是由哪一个特征层和位置Anchor预 ...
- 【AI面试】Anchor based 、 Anchor free 和 no anchor 的辨析
深度学习的目标检测算法,通常会在输入图像中采样大量的区域,然后判断这些区域中是否包含我们感兴趣的目标,并调整(回归)区域边界,从而更准确地预测目标的真实边界框(ground-truth boundin ...
- GHM(anchor based)
https://blog.csdn.net/qq_21949357/article/details/102699367 目标检测论文阅读:GHM(anchor based) 论文链接:https:// ...
- 目标检测论文阅读:GHM(anchor based)
目标检测论文阅读:GHM(anchor based) 论文链接:https://arxiv.org/abs/1811.05181 代码链接:https://github.com/libuyu/GHM_ ...
- 论文阅读 [TPAMI-2022] Grid Anchor Based Image Cropping: A New Benchmark and An Efficient Model
论文阅读 [TPAMI-2022] Grid Anchor Based Image Cropping: A New Benchmark and An Efficient Model 论文搜索(stud ...
- Fast Fuzzy Clustering Based on Anchor Graph
Fast Fuzzy Clustering Based on Anchor Graph 基于锚图的快速模糊聚类 FFCAG 模糊聚类十分流行: 大规模问题复杂度高,限制发挥 对噪声敏感 FFCAG算法 ...
- anchor base和anchor free, 小物体检测, YOLO V1-3 9000 V4 V5 的区别,yolov5-8, yolox创新点
文章目录 Anchor base和Anchor Free的区别: 如何增强模型对小物体的检测效果 Yolo基本思想 不同版本的Yolo网络差异 YOLO V1 YOLO V2 YOLO9000 YOL ...
- Anchor Base 和 Anchor Free
1 概念 1.1 什么是Anchor Anchor也叫做锚,其实是一组预设的边界框用于在训练时学习真实的边框位置相对于预设边框的偏移.通俗点说就是预先设置目标可能存在的大概位置,然后再在这些预设边框的 ...
- FoveaBox 超越anchor based检测框架
目标检测系列文章 yolo v1原理:https://blog.csdn.net/cjnewstar111/article/details/94035842 yolo v2原理:https://blo ...
最新文章
- 在windows上使用virt-manager
- Cocoa 框架 For iOS(二)对象的分配初始化、内省、单例
- VS 条件断点学习总结2
- 全球及中国商用电饭煲行业现状调研及投资决策建议报告2021-2027年版
- RabbitMQ 上手记录-part 1-基础概念
- 数据访问函数库 for ado.net2.0
- elasticsearch-1
- FCKeditor + smarty
- 大屏监控系统实战(2)-后台工程搭建
- cricheditview实现语法高亮和行号_Markdown语法详解及工具介绍
- 小程序或者APP 自行使用TOKEN 实现登录会话保持
- 45分布式电商项目 - SpringDataSolr 入门例子
- win7无权限连接网络计算机,win7系统出现无权限访问网络的完美解决技巧
- 【Ubantu系统制作U盘安装】
- 谷歌图像识别 API
- 支付宝接口的在线支付(https://openhome.alipay.com/platform/appDaily.htm?tab=info)
- MySQL 索引学习笔记
- DC-DC同步升压芯片PW5100替代PC1961,原厂供应
- 使用PADS绘制排线的细节笔记
- python定义单位矩阵_单位矩阵与正则矩阵NumPy/Python的高效Kronecker积