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**方式解決目標檢測，類似於語義分割。幾乎所有最先進的目標檢測器，如retinanet，ssd，yolov3和faster r-cnn都依賴於預定義的錨框（anchor boxes）。相比之下，我們提出的檢測器fcos不需要錨框，即 proposal free。通過消除預定義的錨框，fcos完全避免了與錨框相關的複雜計算，例如在訓練期間計算重疊並且顯著減少了訓練記憶體。更重要的是，我們還避免了與錨框相關的所有超引數，這些引數通常對最終檢測效能非常敏感。憑藉唯一的後處理：非極大值抑制（nms），我們的檢測器fcos優於以前基於錨框的one-stage探測器，具有更簡單的優勢。我們首次展示了一種更加簡單靈活的檢測框架，可以提高檢測精度。我們希望提出的fcos框架可以作為許多其他例項級任務的簡單而強大的替代方案。
網路：【backbone】 + 【特徵金字塔（feature pyramid）】+ 【classification + center-ness + regression】
這裡的center-ness是全新的概念，也是**的創新所在。重點anchor-box free的思路。
損失函式：
anchor free系列檢測方法
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...
目標檢測 目標檢測通用框架總結
目標檢測框架個人總結 以下是筆記中包含的內容 目標檢測網路框架總結 yolov4中有圖 從最開始的神經網路到現在深度更深，模組更多的目標檢測深度學習神經網路，如今大致可以分為two stage detector 典型的為rcnn系列 和 one stage detector 典型為yolo系列 每個...
手撕NMS，numpy實現目標檢測的常用模組NMS
然後關鍵的部分來了，我們對iou進行篩選，若iou大於我們所設定的閾值，則我們認為，此框與基準框檢測的為同一目標，為重複檢測，我們就將其抑制，若iou低於我們設定的閾值，我們就進行下一步的迴圈，取出經過第一輪所篩選後的框，仍然取出剩下的框的分數最高的box，作為新的基準框，對剩下的框再次計算iou，...