版權聲明：本文為博主原創文章，未經博主允許不得轉載。
1、動機
anchor free 和 proposal free
anchor-based的弊病在於：
①模型計算量上，一個特征圖像素點取很多個不同尺寸的候選框，正負樣本失調、訓練時計算所有候選框的IOU耗費計算力
②有很多需要優化的超參數
anchor-based被提出時的考慮：
①避免候選框上的所有目標可能存在區域的重復提取特征，可通過特征對應出原圖上某塊的特征
②不同尺度的候選框是為了解決不同大小目標的問題，高召回率需要更高密度的候選框（eg：180K候選框輸入FPN網絡
解決的思路是：訓練期間對每一個前景像素為中心，預測4D向量(l,t,r,b)，
2、方法
網絡結構：
backbone+FPN+分類/回歸/中心(center-ness分支)
具體細節：
①ground truth(x0,y0,x1,y1,c)表示候選目標的左上和右下角的坐標，c表示類別
②對第i層的特征和相對於原圖的步長s，在第i層上的每個坐標映射到原圖為中心，取xs+s/2為寬等確定位置，如果中心在真實目標框內，就會被賦值為其類別，否則為負樣本（0）
③對(l,t,r,b)進行損失函數計算，
④通過一層的center-ness，減少定位離目標中心遠，定義了計算公式並使用BCE損失函數計算，使遠離目標中心的得分，從而被NMS篩選掉
3、總結：
該算法精度較高，速度較慢，實驗結果沒有貼，可以看論文，我自己看來，利用每一層步長，計算了目標的定位，采用center-ness對遠離中心的樣本進行了抑制，比較有用。
以上為個人理解，如有不當之處，歡迎指正交流~
每天進步一點點