目标检测入门——15.Anchor Free方法详解

Anchor Free方法详解
Anchor Free系列算法历史

Anchor free经典算法详解

1. CornetNet--基于关键点的Anchor Free检测算法
   （1）核心思想：
   Heatmaps分支：分别提取左上角和右下角点的特征，预测左上角点和右下角点的位置；
   Embeddings分支：将左上角点和右下角点组合成候选框；对于相同物体的角点，对应的embeddings具有较高的相似度，对于不同物体的角点，对应的embeddings具有较大的距离。
   （2）Heatmaps解决如何找到corner的问题
   Heatmaps通过预测目标角点的高斯分布概率图，定位物体边界的关键角点位置。
   

（3）Corner pooling算法解读
CornerNet通过对角区域的特征进行双向最大池化（水平+垂直方向），增强网络对物体角点（如左上、右下）的定位能力，从而无需依赖锚框即可直接预测目标边界关键点。

（4）Embeddings解决如何组合corner的问题
期望结果：同一目标的一对角点的相似度高，不同目标的一对角点的距离大

（5）网络结构
采用Hourglass主干网络+双分支角点检测结构，通过Top-left/Bottom-right角点池化层提取物体边界特征，结合Heatmaps（定位角点）、Embeddings（关联角点对）、Offsets（坐标微调）三头输出，实现无锚框的高精度目标检测。

（6）检测效果
CornerNet以40.6 AP实现无锚框检测，精度超越RetinaNet和Cascade R-CNN，但存在误检问题且计算量较大（Hourglass-104主干）。

2. CornerNet--进化版
   （1）CornerNet Squeeze--优化方法
   CornerNet-Squeeze通过引入轻量化的Fire模块（结合1×1卷积和深度可分离卷积）替代原版残差块，在保持特征表达能力的同时显著降低了计算量，配合DCN、MixUp和余弦学习率等优化策略，最终在ResNet50-vd骨干网络上实现了38.2 mAP的高精度和39.7 FPS的实时性能，较原版Hourglass网络（34.8 mAP/35.5 FPS）实现精度与速度的双提升。
   （2）CornerNet Squeeze--实验效果
   CornerNet-Squeeze通过轻量化改进，在使用ResNet50-vd骨干网络并配合DCN、MixUp数据增强和余弦学习率策略后，实现了38.2 mAP和39.7 FPS的优异性能，在保持较高检测精度的同时显著提升了推理速度（相比原版Hourglass网络的35.5 FPS）。