【目標(biāo)檢測(cè)算法50篇速覽】4，Anchor Free及Transformer時(shí)代
前三章指路：
【目標(biāo)檢測(cè)算法50篇速覽】1、檢測(cè)網(wǎng)絡(luò)的出現(xiàn) 【目標(biāo)檢測(cè)算法50篇速覽】2、檢測(cè)網(wǎng)絡(luò)檢測(cè)網(wǎng)絡(luò)設(shè)計(jì)范式的完善 【目標(biāo)檢測(cè)算法50篇速覽】3、檢測(cè)網(wǎng)絡(luò)優(yōu)化及改進(jìn)
完成前三章的速覽以后，到18年底的檢測(cè)網(wǎng)絡(luò)發(fā)展情況相信讀者已經(jīng)基本心里有數(shù)了，第四章我們將開(kāi)始介紹從19年的anchor free類目標(biāo)檢測(cè)算法，到最新的transformer目標(biāo)檢測(cè)算法并嘗試提供相應(yīng)的代碼倉(cāng)庫(kù)，以便更好的把握檢測(cè)網(wǎng)絡(luò)的發(fā)展。
第一篇《CornerNet: Detecting Objects as Paired Keypoints》
提出時(shí)間：2018
針對(duì)問(wèn)題：
如第三章第八篇，有學(xué)者提出了基于目標(biāo)的角點(diǎn)進(jìn)行目標(biāo)檢測(cè)的思路，這種思路的優(yōu)勢(shì)就是避免了anchor設(shè)計(jì)時(shí)不同長(zhǎng)寬比的調(diào)整，且在不同的網(wǎng)絡(luò)層不同尺度的設(shè)計(jì)也能統(tǒng)一，從而降低了超參數(shù)的數(shù)量。
創(chuàng)新點(diǎn)：
anchor free ，利用corner來(lái)做，1）內(nèi)嵌映射2）角點(diǎn)的特征值回傳及l(fā)oss計(jì)算方式。
詳解博客：https://blog.csdn.net/u014380165/article/details/83032273
第二篇《ExtremeNet》
提出時(shí)間：2019
針對(duì)問(wèn)題：
單純用角點(diǎn)進(jìn)行目標(biāo)的檢測(cè)存在一個(gè)問(wèn)題是對(duì)目標(biāo)來(lái)說(shuō)其角點(diǎn)大多都不在目標(biāo)上，單純采用角點(diǎn)來(lái)進(jìn)行目標(biāo)的檢測(cè)并沒(méi)有很好的利用目標(biāo)樣例上的特征。那么如何參考利用目標(biāo)內(nèi)的特征來(lái)實(shí)現(xiàn)更高精度的anchor free目標(biāo)檢測(cè)就是作者著力解決的問(wèn)題。
創(chuàng)新點(diǎn)：
anchor free 方案，通過(guò)目標(biāo)的四個(gè)方向的極值點(diǎn)和中心點(diǎn)來(lái)實(shí)現(xiàn)目標(biāo)檢測(cè)。
詳解博客：https://blog.csdn.net/sinat_37532065/article/details/86693930
庫(kù)地址：https://github.com/xingyizhou/ExtremeNet
第三篇《FCOS》(建議重點(diǎn)細(xì)看)
提出時(shí)間：2019
針對(duì)問(wèn)題：
嘗試將anchor free算法和已有的一段式檢測(cè)網(wǎng)絡(luò)結(jié)合，提出性能更加優(yōu)越的檢測(cè)網(wǎng)絡(luò)模型。
創(chuàng)新點(diǎn)：
FCOS以一種類似語(yǔ)義分割的方式，按像素進(jìn)行預(yù)測(cè)，解決目標(biāo)檢測(cè)問(wèn)題
詳解博客：https://blog.csdn.net/sinat_37532065/article/details/105252340
github倉(cāng)庫(kù)：https://github.com/tianzhi0549/FCOS/
第四篇《CenterNet》(建議重點(diǎn)細(xì)看)
提出時(shí)間：2019
針對(duì)問(wèn)題：
作者參考了cornernet和extremenet，發(fā)現(xiàn)兩者雖然都嘗試優(yōu)化了anchor設(shè)計(jì)的復(fù)雜超參數(shù)調(diào)優(yōu)，但是其檢測(cè)目標(biāo)特征點(diǎn)的組隊(duì)過(guò)程仍舊略顯繁復(fù)。所以作者考慮如何進(jìn)一步優(yōu)化該問(wèn)題來(lái)達(dá)到更高效的anchor-free檢測(cè)模型。
創(chuàng)新點(diǎn)：
作者考慮只使用目標(biāo)的中心點(diǎn)(center)，從而將目標(biāo)檢測(cè)任務(wù)轉(zhuǎn)換為圖像中的關(guān)鍵點(diǎn)檢測(cè)任務(wù)。然后通過(guò)在這個(gè)關(guān)鍵點(diǎn)來(lái)回歸其所指向的目標(biāo)類別以及以當(dāng)前點(diǎn)為中心構(gòu)建的目標(biāo)最小外接矩形到改點(diǎn)的四個(gè)回歸值來(lái)完成目標(biāo)的檢測(cè)任務(wù)。
詳解博客：https://baijiahao.baidu.com/s?id=1644905321397514137&wfr=spider&for=pc
第五篇《FSAF》
提出時(shí)間：2019
針對(duì)問(wèn)題：
當(dāng)前檢測(cè)算法大多都是anchor based，通過(guò)設(shè)置不同的anchor來(lái)在FPN輸出的多張?zhí)卣鲌D上進(jìn)行目標(biāo)的檢測(cè)，我們一般經(jīng)驗(yàn)的認(rèn)為在網(wǎng)絡(luò)深層的特征圖上檢測(cè)大目標(biāo)而在淺層的特征圖上檢測(cè)小目標(biāo)。但是作者發(fā)現(xiàn)在實(shí)際網(wǎng)絡(luò)訓(xùn)練過(guò)程中，可能40x40和60x60的目標(biāo)被分配給了FPN的不同層。為了嘗試優(yōu)化對(duì)FPN特征層的利用，同時(shí)降低過(guò)采樣anchor帶來(lái)的計(jì)算量，作者提出了該網(wǎng)絡(luò)模型。
創(chuàng)新點(diǎn)：
主要是通過(guò)在檢測(cè)網(wǎng)絡(luò)中添加anchor free的特征層篩選模組，來(lái)強(qiáng)化每個(gè)輸入的實(shí)例所歸屬的判定特征層，從而充分利用FPN的性能。提出了Online feature selection方法，改善了基于anchor機(jī)制和feature pyramids的single-shot檢測(cè)器的兩個(gè)潛在問(wèn)題。FSAF在COCO數(shù)據(jù)集上達(dá)到了state-of-art，mAP為44.6%，超過(guò)了所有single-shot檢測(cè)器。同時(shí)額外的計(jì)算量很小。
詳解博客：https://www.cnblogs.com/fourmi/p/10602936.html
第六篇《NAS-FPN》
提出時(shí)間：2019
針對(duì)問(wèn)題：
有學(xué)者認(rèn)為當(dāng)前FPN的設(shè)計(jì)并不一定是最優(yōu)的結(jié)果，結(jié)合現(xiàn)下的NAS搜索技術(shù)，嘗試得到更優(yōu)的FPN結(jié)構(gòu)
創(chuàng)新點(diǎn)：
利用網(wǎng)絡(luò)結(jié)構(gòu)搜索技術(shù)來(lái)得到的結(jié)構(gòu)更好的FPN結(jié)構(gòu)
詳解博客：https://blog.csdn.net/qq_41375609/article/details/98499442
第七篇《DetNAS》
提出時(shí)間：2019
針對(duì)問(wèn)題：
作者認(rèn)為之前檢測(cè)網(wǎng)絡(luò)的backbone大多都是基于分類任務(wù)完成的，分類任務(wù)得到的模型并不關(guān)心圖像中目標(biāo)的位置信息，所以作者嘗試?yán)肗AS技術(shù)得到更適合檢測(cè)任務(wù)的backbone網(wǎng)絡(luò)。
創(chuàng)新點(diǎn)：
利用網(wǎng)絡(luò)結(jié)構(gòu)搜索技術(shù)來(lái)得到的檢測(cè)網(wǎng)絡(luò)專用backbone，作者的試驗(yàn)證明確實(shí)是對(duì)檢測(cè)精度有提升。
詳解博客：https://blog.csdn.net/mrjkzhangma/article/details/103369432
第八篇《EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks》
提出時(shí)間：2019
針對(duì)問(wèn)題：
卷積神經(jīng)網(wǎng)絡(luò)（ConvNets）通常是在固定的資源預(yù)算下發(fā)展起來(lái)的，如果有更多的資源可用的話，則會(huì)擴(kuò)大規(guī)模以獲得更好的精度，比如可以提高網(wǎng)絡(luò)深度(depth)、網(wǎng)絡(luò)寬度(width)和輸入圖像分辨率 (resolution)大小。但是通過(guò)人工去調(diào)整 depth, width, resolution 的放大或縮小的很困難的，在計(jì)算量受限時(shí)有放大哪個(gè)縮小哪個(gè)，這些都是很難去確定的，換句話說(shuō)，這樣的組合空間太大，人力無(wú)法窮舉。基于上述背景，作者嘗試提出復(fù)合模型擴(kuò)張方法結(jié)合神經(jīng)結(jié)構(gòu)搜索技術(shù)獲得的更優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)。
創(chuàng)新點(diǎn)：
該論文提出了一種新的模型縮放方法，它使用一個(gè)簡(jiǎn)單而高效的復(fù)合系數(shù)來(lái)從depth, width, resolution 三個(gè)維度放大網(wǎng)絡(luò)，不會(huì)像傳統(tǒng)的方法那樣任意縮放網(wǎng)絡(luò)的維度，基于神經(jīng)結(jié)構(gòu)搜索技術(shù)可以獲得最優(yōu)的一組參數(shù)(復(fù)合系數(shù))。
詳解博客：https://blog.csdn.net/mrjkzhangma/article/details/103369432
代碼：https://github.com/qubvel/efficientnet
第九篇《DETR》
提出時(shí)間：2020
針對(duì)問(wèn)題：
作者嘗試將NLP領(lǐng)域的transformer引入目標(biāo)檢測(cè)任務(wù)中，目的是想進(jìn)一步的降低網(wǎng)絡(luò)的超參數(shù)。
創(chuàng)新點(diǎn)：
第一個(gè)將 Transformer 成功整合為檢測(cè) pipeline 中心構(gòu)建塊的目標(biāo)檢測(cè)框架?；赥ransformers的端到端目標(biāo)檢測(cè)，沒(méi)有NMS后處理步驟、真正的沒(méi)有anchor，且對(duì)標(biāo)超越Faster RCNN
詳解博客：https://blog.csdn.net/c2250645962/article/details/106399116
代碼：https://github.com/facebookresearch/detr
本章總結(jié)
到了本章，學(xué)者們嘗試進(jìn)一步優(yōu)化anchor base類算法，考慮到anchor設(shè)計(jì)時(shí)的大量經(jīng)驗(yàn)參數(shù)，進(jìn)一步的優(yōu)化anchor設(shè)計(jì)，完成了從框匹配到直接點(diǎn)回歸的進(jìn)化；對(duì)檢測(cè)網(wǎng)絡(luò)的backbone方面，學(xué)者們也通過(guò)嘗試希望更好的利用輸入的特征來(lái)提高檢測(cè)的效果。其中CenterNet和FCOS的代碼和論文建議大家有時(shí)間的話精度。再之后就是嘗試將transformer整合進(jìn)檢測(cè)任務(wù)中，例如DETR模型，有精力的同學(xué)也推薦閱讀和學(xué)習(xí)。
--------------------------------周年送書(shū)活動(dòng)獲獎(jiǎng)名單------------------------
Robot ____烤冷面Plus Pro copain Veronica 廈鷺 Immortal 遠(yuǎn)在咫尺 野狼 江梅去去木犀晚 June
請(qǐng)聯(lián)系GiantPandaCV小助手（微信號(hào)：Lloyd6446 ，添加時(shí)備注獲獎(jiǎng)）填寫(xiě)收貨地址，我們將盡快為你寄出禮品。
歡迎關(guān)注GiantPandaCV, 在這里你將看到獨(dú)家的深度學(xué)習(xí)分享，堅(jiān)持原創(chuàng)，每周分享我們學(xué)習(xí)到的新鮮知識(shí)。( ? ?ω?? )?
有對(duì)文章相關(guān)的問(wèn)題，或者想要加入交流群，歡迎添加BBuf微信：
為了方便讀者獲取資料以及我們公眾號(hào)的作者發(fā)布一些Github工程的更新，我們成立了一個(gè)QQ群，二維碼如下，感興趣可以加入。