Anchor-Free Keypoint方法有哪些总结和思路分析？

本文共计2078个文字，预计阅读时间需要9分钟。

Anchor-based的缺点1：使用anchor时，需要在每个特征尺度上密集地聚集，而只有极小部分是正确样本，即正负样本差异很大；最终有很多计算都浪费在无用样本上，且通常使用时需要大量计算资源。

&Anchor-based的shortcoming

1)使用anchor时，需要在每个特征尺度上密集平铺，而仅有很少一部分是正样本，即正负样本的比例差别很大；最终有很多计算都花费在无用样本，且一般使用时需要进行预处理，挖掘难负例；

2)需要预定义的anchor size以及aspect ratio。检测性能会收到这些预定义的参数的影响，如果在每一个位置设定的anchor的数量太多，也会导致计算量成倍增长；

3)使用axis-align的形式：

• 由于anchor是针对特征图上的点进行提取的，并不是所有的像素点上都会提取对应的anchor，且在每个点上提取的anchor的数量也不尽相同，如果只使用axis-align形式，最终结果可能对于那个bbox中心不在特征图上的点不大友好，最终影响整体的精度；当然，目前也有针对该问题做出的调整，如可以通过预测中心点偏移，参照RepDet中的Adaptive Convolution方法；
• 使用box来作为一个目标的回归结果，仍然会在其中包含大量的背景信息，尤其是在边角区域，而且对于斜放的细长目标会造成更大的影响。