仅供个人学习使用

1、anchor base

anchor base的方法需要先在图片上生成候选框，无论是RPN生成还是通过k-means生成的先验框，都需要在分类回归之前有存在的框可使用。在框的基础上进行之后的操作。

超参数较为难调，正负样本不平衡，focal loss可缓解但是并不能解决。

2、anchor free

分为1）基于关键点检测，例如Cornernet，2）中心点检测，例如centernet，fcos等

1）关键点检测，Cornernet提取的特征分为两个检测器，分别检测左上和右下两个角点，然后再对每个角点进行分类。再通过另一个embeddings分支对两个点进行匹配，相同物体相似度大，不同物体相似度小。

 

2）中心点预测，centernet将目标当做一个点来预测，预测目标中心点的偏移量，宽高来得到最终的box。特征提取后生成每个类别的heatmap，某个点有对应类别物体时，在该坐标处生成一个高斯圆。可以得到中心点和角点。再通过embeddings得出每个点的匹配关系。

通过center pooling和cascade corner pooling分别获得center和corner的heatmap。