全文概括  CenterNet是一个anchor-free的检测器。

作者简介TeddyZhang：上海大学研究生在读，研究方向是图像分类、目标检测以及人脸检测与识别近些天，目标检测领域掀起了一股Anchor-Free的潮流，即不去生成预选框，也不用额外耗费资源去计算预选框和真实框的

ObjectasPoint从关键点检测的角度进行anchor-free目标检测输入ImageI∈RW×H×3I\inR^{W\timesH\times3}I∈RW×H×3输出heatmapY^∈[0,1

论文提出anchor-free和proposal-free的one-stage的目标检测算法FCOS，不再需要anchor相关的的超参数，在目前流行的逐像素(per-pixel)预测方法上进行目标检测，

前言前天发了一个推文【目标检测Anchor-Free】CVPR2019CenterNet，讲解的是CenterNet:KeypointTripletsforObjectDetection这篇论文，今天要讲的这篇论文全名是

1.摘要作者发现，采用相同的正负例选择策略时，无论是基于box（anchor-based）的检测器（本文以RetinaNet为例）还是基于关键点的（anchor-free）检测器（以FCOS为例），性能几乎一样

简要详细解释了anchor-free与anchor-based的本质区别，此外，使用ATSS去尝试解决

今年年初，大量的anchor-free（类似吧，也不能说完全）的文章层出不穷，CornerNet，FCOS，FoveaBox，ExtremeNet，FSAF等等吧

本文参考以下链接，如有侵权，联系删除参考链接ObjectsasPointsCenterNet(CVPR2019)概要这篇CenterNet算法也是anchor-free类型的目标检测算法，基于点的思想和

BridgingtheGapBetweenAnchor-basedandAnchor-freeDetectionviaAdaptiveTrainingSampleSelection-CVPR2020概要anchor-free

简介图1：论文原文论文是发表在ICCV2019{\rmICCV\2019}ICCV2019上的一篇关于目标检测的论文，提出一种新的Anchor{\rmAnchor}Anchor-Free{\rmFree

简介图1：论文原文论文是发表在ICCV2019{\rmICCV\2019}ICCV2019上的一篇基于Anchor{\rmAnchor}Anchor-Free{\rmFree}Free的目标检测论文。

『写在前面』应用最广泛的Anchor-Free检测模型之一。

arxiv.org/pdf/1912.02424.pdf代码地址：https://github.com/sfzhang15/ATSS这篇文章被CVPR2020收录，是一个很不错的工作，从Anchor-based和Anchor-free

Anchor-free算法的优点：•使用类似

本文是第三部分，重点分析下anchor-free和anchor-base混合学习的GuidedAnchoring以及yolo

前言anchor-free目标检测属于anchor-free系列的目标检测，相比于CornerNet做出了改进，使得检测速度和精度相比于one-stage和two-stage的框架都有不小的提高，尤其是与

简介图1：论文原文论文是2019{\rm2019}2019年的一篇Anchor{\rmAnchor}Anchor-Free{\rmFree}Free目标检测算法。

前言前面介绍了CornerNet和ExtremeNet，今天要介绍的是CVPR2019一篇大名鼎鼎的Anchor-Free目标检测论文《CenterNet:KeypointTripletsforObjectDetectiontection

它属于anchor-free模型，通过消除先验框，避免了大量的额外计算，同样也避免了先验框/候选框(anchorbox)的各种超参数的设置(SSD,Yolo以及fasterrcnn等目标检测模型，无一不需要手动设置先验框的尺寸和长宽比

CPNDet1Introduction2Approach2.1CPN网络框架2.2Inference阶段3Experiments4Conclusion论文地址：https://arxiv.org/abs/2007.13816开源代码：https://github.com/Duankaiwen/CPNDet其他解读：https://mp.weixin.qq.com/s/pPvDC_3SuGgZ2z6

content_ICCV_2019/papers/Tian_FCOS_Fully_Convolutional_One-Stage_Object_Detection_ICCV_2019_paper.pdf最近看了两篇anchor-free

anchor-free类算法代表是CornerNet、ExtremeNet、CenterNet、FCOS，YoloV1等。

MariosSavvidesCarnegie；机构：美国卡耐基梅隆大学（CarnegieMellonUniversity）；image.pngAbstract作者建立了一个模型组件，该组件是一个可以自动选择不同层次特征的组件，属于anchor-free

Abstract本文中，作者通过一种完全可微的标签分配策略，提出了一个anchor-free的目标检测器，叫做AutoAssign。

Siamfc++是较早发表的anchor-free的单目标跟踪器，可说是比较经典的，所以有精读的必要，就像siamfc一样。下面就几点代码中比较重要的部分写一下，以便后续回想。

FCOS:FullyConvolutionalOne-StageObjectDetectionAbstract1.Introduction2.RelatedWork基于Anchor的检测器Anchor-free

利用关键点估计的方法找到图像中目标的中心点,并回归出框的尺寸等其他属性,以此确定出目标所在的位置和类别.不需要非极大值抑制NMS的后处理,能够端到端训练.相比于CornerNet、CenterNet-Triplets等其他anchor-free

Caffe源码解读FeatureSelectiveAnchor-FreeModuleforSingle-ShotObjectDetection动机FSAF网络结构损失计算FeatureSelectiveAnchor-FreeModuleforSingle-ShotObjectDetection该文作为2019目标检测性能最强的检测器之一，超过了所有的single-shot检测器，达到了44.6%m

1、文章汇总CornerNetCornerNet:KeypointTripletsforObjectDetectionhttps://arxiv.org/pdf/1808.01244.pdfExtremeNetBottom-upObjectDetectionbyGroupingExtremeandCenterPointshttps://arxiv.org/pdf/1901.08043.pdfCor

2020.04.18小记近期一直在MOT算法研究，目前SOTA算法核心还是基于CenterTrack网络，而CenterTrack又是基于anchor-free式的CenterNet网络，CenterNet

基于FasterR-CNN的文本检测方法的无锚区域候选网络摘要由于IoU和真实文本框之间的匹配标准，基于FasterR-CNN和SSD的锚机制被认为在场景文本检测中不够有效。为了更好地覆盖各种情形的场景文本实例，需要手动设计各种比例尺，纵横比和定向的锚，这使得基于锚的方法复杂且效率低下。在本文中，我们提出了一种新的无锚区域候选网络(Anchor-FreeRegionProposalNetwork，

Anchor-based机制的优缺点1.优点：（1）使用anchor机制产生密集的anchorbox，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anchorbox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(aspectratio)是比较难设计的。这需要较强的先验知识。（2）冗余框

当然也可以再根据是否设置anchor分为anchor-based和anchor-free的工作。下图表示了目前的一些近两年的文章，包括了室内和室外的点云目标检测算法。

可按照以下分类，查看相应的文章详情。2019.8.25更新：文章开源代码地址CornerNet[1](2018)：https://github.com/princeton-vl/CornerNetCornerNet-lite[2](2019)：https://github.com/princeton-vl/CornerNet-LiteCenterNet[3](2019)：https://githu

公众号精选作品，第一时间送达本文是收录于CVPR2020的目标检测的新工作，从关键点检测的角度出发进行创新，提出了向心偏移和十字星可形变卷积等创新点，在COCO数据集上以48.0％的AP胜过所有现有的Anchor-free

概述最近在看一些基于anchor-free方法的目标检测论文，首先看的是CornerNet,该方法的backbonenetwork就为hourglassmodulehourglassmodule（沙漏模块

https://github.com/tianzhi0549/FCOS一、主要贡献：1.将检测与其他全卷积网络可解决的任务统一起来（例如语义分割），可轻松重复的使用这些任务中的方法；2.将检测变成一个anchor-free

论文链接：CornerNer论文链接：https://arxiv.org/pdf/1808.01244.pdfgithub：https://github.com/umich-vl/CornerNetCenterNet论文链接：https://arxiv.org/abs/1904.08189github：https://github.com/Duankaiwen/CenterNetCornerNe-

整体文章思路通过深入了解box来优化anchor-free目标检测的性能，整体分为box分解和重组（D&R）模块和语义一致性模块，首先进行边界框的重组选择更准确的边界框，之后选择一致性强的像素来更精确地拟合目标范围

是一篇关于Anchor-free的两阶段目标检测网络，效果可达49.2%AP，在准确率和召回率等性能上优于CenterNet、FCOS等网络，并且模型的推理速度较快。

CenterNet(Objectsaspoints)已经有一段时间了，之前这篇文章-【目标检测Anchor-Free】CVPR2019ObjectasPoints（CenterNet）中讲解了CenterNet

作者｜杨阳@知乎来源｜https://zhuanlan.zhihu.com/p/163266388从去年5月开始，我一直对Anchor-free工作保持着一定的关注。

FCOS（CVPR2019）目标检测算法FCOS(FCOS:FullyConvolutionalOne-StageObjectDetection)，该算法是一种基于FCN的逐像素目标检测算法，实现了无锚点（anchor-free

论文地址https://arxiv.org/abs/1903.00621参考Githubhttps://github.com/xuannianz/FSAFhttps://github.com/hdjang/Feature-Selective-Anchor-Free-Module-for-Single-Shot-Object-DetectionOverviewBackgroundImagePyram

当然NMS在目前最新的anchor-free目标检测算法中(CornerNet、CenterNet等)并不是必须的，

one-stage的模型目前可以分为两大类：anchor-based和anchor-free方法。

前言继续来探索Anchor-Free目标检测算法，前面讲了Anchor-Free的起源目标检测算法之AnchorFree的起源：CVPR2015DenseBox，其实同期另外一个有名的目标检测算法YOLOV1

前言继续Anchor-Free探索。前面介绍了【目标检测Anchor-Free】ECCV2018CornerNet，相信大家对Anchor-Free目标检测算法有基本的认识和理解了。

全卷积单阶段目标检测FCOS:FullyConvolutionalOne-StageObjectDetection基于anchor的目标检测的缺点一些anchor-free框架的缺点FCOS的关键概念center-ness