【目标检测】anchor-base——fasterRCNN+YOLOv3总结

anchor-base 方法：

fasterRCNN：

image.png

1、two-stage，先训练 RPN，再训练 head 网络分支
2、feature map 分辨率低，M/2^5,对小目标检测效果有限
3、feature map 每个点都有anchor，anchor大小9种（3 scale * 3 ratio）

image.png

原图800x600，VGG下采样16倍，feature map每个点设置9个Anchor，所以50389=17100
4、正负样例（positive:IOU>0.7, negative:IOU<0.3）
5、NMS

YOLOv3

image.png

1、 one-stage
2、 沙漏形网络，分辨率升高
3、 Anchor 不同分辨率下不同 scale 的 anchor

image.png

image.png

对于一个输入图像，比如4164163，相应的会输出 13133 + 26263 + 52523 = 10647 个预测框
4、NMS

Anchor-free

1、 region proposal 是检测最重要的步骤，但是从生物学角度，人眼看到物体是同时定位+物体区域
2、 物体可以用关键点来代替（降维：二维----->一维）