Anchor-free目标检测算法系列11： DenseBox中心点处dense：Unifying Landmark Localization with End to End Object Detec

            DenseBox: Unifying Landmark Localization with End to End Object Detection

                                               （CVPR2015）

    论文是2015年提出的一种端到端的算法，同时对目标进行分类和框回归，算法很有前瞻性。DenseBox不需要产生proposal、引入图像金字塔（这个思想后来演变成特征金字塔FPN），网络更加关注小尺寸和严重遮挡的目标。网络经过一列卷积核池化，进行上采样是特征图变大，用于检测更多的目标，再经过一些卷积得到最终的预测输出。这样看来，DenseBox的思想也影响这最近一年中提出来的anchor-free的算法，均是在下采样后又进行上采样，最后再接一些卷积模块预测。DenseBox将输出的特征图转换为目标框，通过NMS和阈值进行输出。

       DenseBox设计的初衷是用在人脸检测上。作者为了节约训练时间，没有将一整张图片全部输入网络，而是对输入图片进行了裁剪，裁剪的区域应包括人脸和背景丰富的patches，训练时patches缩放至240*240。在GT生成时，构建的是60*60*5维的张量，人脸区域由以人脸bbox的中心点为圆心、半径为0.3倍于bbox size（人脸的标注框为方形）的圆形区域确定，这也是DenseBox的由来，增加了正样本的比例，而现在较多的anchor-free的方法是采高斯分布+带惩罚的Focal loss予以改进。现在的基于关键点检测的中心点确定一般采用高斯分布处理，而不是像DenseBox这样设置。示意图如图33所示。GT设置为5通道，其中第一个通道为置信度，正样本处设置为1，负样本处设置为0；后面四个通道为某像素点与bbox左上角和右下角的距离。输入一张m*n的图片，其输出为（m/4, n/4）的feature map。经上采样的输出特征图分辨率很高，CenterNet沿用了此设置。输出特征图维度为5维，即

t与b分别代表边框左上角和右下角，s为输出feature map每个像素产生的的框对应的置信度。

                                       图38 DenseBox GT处理

       DenseBox的主干网络采用的VGG19，后面接上采样层，总体图像尺寸仅仅下降了4倍。和fast RCNN相同，DenseBox由两个输出分支。在目标函数设置时，主要包括两部分，置信度损失（是否为目标，不分类别，因为DenseBox训练集用到的是1类人脸检测）和框回归损失，二者均采用L2 loss。