OD

Anchor-free VS Anchor-based 特征 Anchor-based Anchor-free 核心思想 使用预定义的锚框，回归目标的类别和边界框 无需锚框，直接回归目标位置、尺寸或关键点 目标分配 通过 IoU 匹配和锚框选择正负样本 通过中心点、角点或其他关键点进行目标分配 计算复杂度 高，尤其是多尺度、多锚框的情况下 相对较低，避免了锚框生成和匹配过程 训练难度 锚框匹配过程可能导致正负样本不平衡 训练过程更简洁，但可能对目标密集或重叠时有挑战 精度 通常较高，尤其是在多尺度和大物体检测中 通常较好，但在一些任务中(1.密集重叠；2.超大超小目标；)精度略低 适应性 需要手动设计锚框，通过统计学方法（如kemeans等）设计锚框尺寸，适应性较差 更强的适应性，尤其在目标形状、大小多样的任务中 实时性 较低，计算量较大 更高，适合实时检测任务 anchor-free + IOULoss实验中的问题 在anchor-free的YOLOV1模型中，进行IOULoss相关的实验时，发现IoULoss与xywhLoss相比，精度差非常大，IoUloss的改进形式GIoU，DIoU，CIoU几乎完全无法收敛，经过调试发现，在生成FPN对应的的GT targets时，有以下问题： 1.不同尺度的featuremap的GT targets，在hw维度squeeze成一维向量后，顺序会发生变化，在采样率较低的尺度上较为明显； 2.不同尺度中，被分配了对应特征点的gt targets数量不同，导致在有些尺度上，有些目标没有被预测，在采样率较大的尺度上较为明显； 在通常的认知中， 3.anchor-free的模型在重叠密集、特大特小尺寸的目标检测上精度会明显低于有优秀anchor设计的anchor-based模型 这三个问题的原因是什么？ 1.不同尺度的featuremap的GT targets，在hw维度squeeze成一维向量后，顺序为何会发生变化 一图看懂 1 2 3 4 0 0 2 0 1 0 0 0 0 0 0 4 3 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 0 0 0 0 0 0 0 2+3....