问题：  没有了Anchor框的监督信息，我们怎么针对检测任务做到正确回归？

 

本质：样本与ground truth的对应，如何选择合适样本与真实场景对应

Anchor： 其加入降低了回归问题难度，为分类问题提供选择样本途径。              难点：定位模糊和背景特征干扰。

 

 

起源：

1.DenseBox

证明：1、单个FCN可以检测出遮挡严重、不同尺度的目标

           2、单个FCN同时产生多个预测bbox和置信分数的输出

           3、

 

 

 

1.CornerNet:
原文：CornerNet顾名思义，预测左上角和右下角来得到最后的bounding boxes。所以最基本的需要两个feature map表示对应的Corner，文中称为heatmap （所以，heatmap 本质为： 特殊意义的特征图）。

问题： 我们如何 找到代表左上角和右下角的 feature map呢？

回答：  我们通过对角点的预测 ，用两个分支分别预测top-left Corner 和bottom-right Corner，两个分支的结构完全一样。

Heatmap 与 角点预测：

1）Heatmaps尺度为H×W×C H\times W\times CH×W×C，C为类别数，每个通道使用sigmoid激活。

2)

 

 

原文：Heatmap分支的设计：

           方式一：加入了一项penalty reduction，来reweight 在gt（目标点）点附近的不同点对网络贡献程度

           方式二：采用了focal loss的变体形式 

         方式三：Offset分支进行Offset的补偿

         弥补将heatmap上的点映射到原图尺寸上时的位置误差，使用smooth l1函数进行训练。

        方式四：Grouping Corner（类间间距大，类内间距小)

         引入了一个embedding分支,使得来自同一个object的Corner其对应的embedding vector之前的距离应该尽可能小

        方式五： Corner Pooling 

          由于目标物体是不规则的，因此会出现标注点Corner周围都是背景区域，对Corner的预测很不利。，因此我们需要一个操          作可以将物体边界信息聚合到Corner点上。

        

pooling操作很简单，对每个点，向水平和垂直方向进行pooling操作，这样同一个水平和垂直方向上就包含了该方向的物体边界信息。

以top-left Corner为例

pooling操作很简单，对每个点，向水平和垂直方向进行pooling操作，这样同一个水平和垂直方向上就包含了该方向的物体边界信息。

以top-left Corner为例