目标检测算法中的anchor free综述

一、anchor free 概述
1 、 先要知道anchor 是什么（这需要先了解二阶段如faster rcnn，一阶检测器如YOLO V2以后或SSD等）。
在过去，目标检测通常被建模为对候选框的分类和回归，不过，按照候选区域的产生方式不同，分为二阶段（two-step）检测和单阶段（one-step）检测，前者的候选框通过RPN（区域推荐网络）网络产生proposal，后者通在特定特征图上的每个位置产生不同大小和宽高比的先验框（anchor）。如下图：

 

2、为什么要抛弃anchor，做anchor free
1）Anchor的设置需要手动去设计(长宽比，尺度大小，以及anchor的数量），对不同数据集也需要不同的设计，相当麻烦。
2）Anchor的匹配机制使得极端尺度(特别大和特别小的object)被匹配到的频率相对于大小适中的object被匹配到的频率更低，DNN在学习的时候不太容易学习好这些极端样本。
3）Anchor的庞大数量使得存在严重的不平衡问题，这里就涉及到一个采样的过程，实际上，类似于Focal loss的策略并不稳定，而且采样中有很多坑。
4）Anchor数量巨多，需要每一个都进行IOU计算，耗费巨大的算力，降低了效率。
3、anchor free 的方向
最早可以追溯到YOLO算法，这应该是最早的anchor-free模型，而最近的anchor-free方法主要分为 基于密集预测（DenseBox） 和 基于关键点估计（CornerNet）两种。

其中关键点估计有如下模型：

• CornerNet

• ExtremeNet

• CenterNet

• CenterNet(Object as Point)

• CSP

• CornerNet-Lite

• RepPoints

• CentripetalNet

• SaccadeNet

• RepPointsV2

• CPNDet

4、anchor free 的局限性
目前paper 为了达到更好看的结果，在实验上隐藏了一些细节或者有一些不公平的比较（比如骨干网络使用hourglass 对比别人的resnet等）。
5、anchor free 工程推荐
由于YOLOV5的推出，主要了解anchor free 的思想，工程应用主要可以尝试：
1）centerNet（object as point 的版本）
2）extremeNet（将回归边界框改为极值点）