Anchor机制小结：Yolov1~Yolov5

1. Anchor定义

就是一个多尺度的滑动窗口，在特征图上的每个cell上生成不同尺寸、不同高宽比的Anchor，也叫先验框
为什么要引入多种比例的Anchor？
物体检测：一些候选区域进行分类和回归的问题。检测目标的大小、形状各不相同

2. Anchor工作过程

• 以YOLOv5为例，利用k-means根据数据集中目标主要分布的长宽尺度聚类出来的一组Anchor。
• anchor4个值： x1,y1,x2,y2表矩形左上和右下角点坐标。
• 聚类生成3种尺度，每组尺度有3种长宽比为：1:1,1:2,2:1 ，共9个Anchor。
• 跨Anchor预测：每个GroundTruth中心点所在cell和周围4个cell都可以负责预测GroundTruth和这5个cell里的所有Anchor进行匹配，得到K个Anchor （YOLOv5：基于宽高比，其他：IoU）
• K个Anchor负责预测这个GT，计算偏移量，生成K个预测框（正样本）

3. YOLOv1~YOLOv5的Anchor

参考文献

4.FasterRCNN： RPN网络

1. 在特征图进行anchor生成，anchor：多尺度、大小固定
2. 生成anchors -> softmax分类器提取positvie anchors -> bbox reg回归positive anchors -> Proposal Layer生成proposals
3. YOLOv2的Anchor基于RPN提出的
4. 缺点：坐标x,y，w,h的预测是基于整张图片的，可能在左上角的cell产生的预测框跑到了右下角，不行
   

5. Anchor存在问题

1. 超参数难调
2. 正负样本不均衡
3. 与GT匹配的过程耗时严重
4. 对小目标不友好

6.Anchor-Free机制

1. 基于关键点：
   1. 先检测目标左上角和右下角点
   2. 再通过角点配对以及角点位置的偏移量来输出预测框
2. 基于中心点
   1. 直接检测物体的中心点和边界偏移量信息
   2. 分类子网、回归子网

7.基于关键点：CornerNet

• 沙漏结构：特征提取
• 角点池化：特征的池化方式，将信息整合到左上角点或者右下角点
• 预测输出：
  • 预测角点出现的位置 Heatmaps
  • 角点的配对 Embeddings
  • 角点位置的偏移 Offsets