当前位置: 首页 > 工具软件 > Free-SA > 使用案例 >

目标检测之anchor_based和anchor_free优缺点

费学
2023-12-01

anchor based

优点

  • 使用anchor机制产生密集的anchor box,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加入先验,训练稳定
  • 密集的anchor box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。

缺点

  • anchor机制中,需要设定的超参:尺度(scale)和长宽比( aspect ratio) 是比较难设计的。这需要较强的先验知识。
  • 冗余框非常之多:一张图像内的目标毕竟是有限的,基于每个anchor设定大量anchor box会产生大量的easy-sample,即完全不包含目标的背景框。这会造成正负样本严重不平衡问题,也是one-stage算法难以赶超two-stage算法的原因之一。使用包括two-stage的RPN和one-stage的Focal loss
  • 网络实质上是看不见anchor box的,在anchor box的基础上进行边界回归更像是一种在范围比较小时候的强行记忆
  • 基于anchor box进行目标类别分类时,IOU阈值超参设置也是一个问题

anchor free

优点

更大更灵活的解空间、摆脱了使用anchor而带来计算量从而让检测和分割都进一步走向实时高精度

缺点

  • 正负样本极端不平衡
  • 语义模糊性(两个目标中心点重叠)
    现在这两者大多是采用Focus Loss和FPN来缓解的,但并没有真正解决。
  • 检测结果不稳定,需要设计更多的方法来进行re-weight

对比

anchor-free和anchor-based实际上最大的区别应该是解空间上的区别

anchor-free

无论是keypoint-based的方法(e.g. CornerNet和CenterNet)还是pixel-wise prediction的方法(e.g. FCOS),本质上都是dense prediction的方法,庞大的解空间使得简单的anchor-free的方法容易得到过多的false positive,而获得高recall但是低precision的检测结果;
目前的anchor-free方法,一方面通过了各种方式来进一步re-weight检测结果的质量(e.g. FCOS的centerness),另一方面通过FPN也在一定程度上缓解了高度重合带来的影响

anchor-based

由于加入了人为先验分布,同时在训练的时候prediction(尤其是regression)的值域变化范围实际上是比较小的,这就使得anchor-based的网络更加容易训练也更加稳定

 类似资料: