one stage和two stage是目標檢測的主流方法，最近由deng老闆引領的anchor free方法另闢蹊徑，以關鍵點檢測為基礎來做檢測，也算是one stage的一種吧左上角、右下角語義資訊比較弱，很難檢測到，因此文章引入cornerpool來改善這個問題
由於是bottom-up結構，還需要後處理組合在一起
改進cornernet，本質上cornernet還是top down結構，因為左上角和右下角其實算是bbox的另一種形式，它不是直接和物體的語義特徵相關的，區域性的外觀特徵不一致，乙個人姿勢不同左上角完全不一樣。雖然引入了corner pooling也只是部分緩解；cornetnet的後處理需要把左上角和右下角正確的組合起來，它利用的是geometric grouping，學習乙個embeding，然後組合起來。
而extremenet的不同點是檢測邊緣點，最左邊最右邊最上邊最下邊的極值點，這些點是有明確的語義特徵，而且區域性外觀特徵是一致的，容易被檢測到；後處理進行組合時不需要隱式地去學習embeding，而是直接根據外觀特徵進行組合。
問題速度慢，需要檢測的點更多了（每類都要上下左右中）
需要標註extreme point，不過可以通過coco的segmentation得到，或者重新找人標註，文章說比標註bbox更便宜
比cornernet沒有明顯提公升
超喜歡的一篇工作，算是top-down，不需要nms等後處理。
沒有anchor的設定（和yolov1一樣），檢測物體的中心點，然後從中心點出發回歸wh，或者做其他應用3d檢測等
Anchor Free目標檢測模型
fcos fully convolutional one stage object detection 已開源 foveabox beyond anchor based object detector 未開源 摘要 我們提出了一種全卷積的 one stage 目標檢測器 fcos 以每畫素 方式解決...
dlib系列 人臉檢測
dlib 是乙個機器學習庫，採用c 編寫 提供c 和python介面 裡面包含 許多常用機器學習演算法。總之就是很好的框架，是官網給的教程。coding utf 8 import sys import dlib import cv2 from skimage import io 檢測器 detect...
目標檢測精讀系列
1.概述 目標檢測是乙個比較活躍的領域，其目標是通過演算法檢測出影象中的感興趣目標。目前，基本上最先進的目標檢測演算法都是基於神經網路。在深度學習之前，基本上是提取特定角點 sift，hog等 去檢測目標，或是利用劃窗的方式結合svm等經典分類器去檢測目標，這類傳統的演算法的檢測效果不佳。隨著卷積神...