鏈接：https://www.zhihu.com/question/356551927/answer/926659692
來源：知乎
著作權歸作者所有。商業轉載請聯系作者獲得授權，非商業轉載請注明出處。
1.目標檢測算法一般可分為anchor-based、anchor-free、兩者融合類，區別就在於有沒有利用anchor提取候選目標框。
A. anchor-based類算法代表是fasterRCNN、SSD、YoloV2/V3等
B. anchor-free類算法代表是CornerNet、ExtremeNet、CenterNet、FCOS等
C.融合anchor-based和anchor-free分支的方法：FSAF、SFace、GA-RPN等
FSAF-既有根據先驗設定的anchor-based分支，也有anchor-free分支增強對異常ratio目標的檢測能力
2.anchor（也被稱為anchor box）是在訓練之前，在訓練集上利用k-means等方法聚類出來的一組矩形框，代表數據集中目標主要分布的長寬尺度。在推理時生成的特征圖上由這些anchor滑動提取n個候選矩形框再做進一步的分類和回歸（詳細敘述請參考提出anchor思想的fasterRCNN一文）。也就是傳統目標檢測算法中，在圖像金字塔上使用的那個m*n的滑窗。只不過傳統方法中特征圖是不同尺度的，滑窗一般是固定大小的；而類似於fasterRCNN算法中特征圖是固定的，anchor是多尺度的。
三種典型的目標檢測框架流程圖
3.Yolo算法一共有三個版本，YoloV1可以算作anchor-free類；YoloV2開始引入anchor，YoloV3也使用了anchor。
4.anchor-free類算法歸納：
A.基於多關鍵點聯合表達的方法
a.CornerNet/CornerNet-lite：左上角點+右下角點
b.ExtremeNet：上下左右4個極值點+中心點
c.CenterNet:Keypoint Triplets for Object Detection：左上角點+右下角點+中心點
d.RepPoints：9個學習到的自適應跳動的采樣點
e.FoveaBox：中心點+左上角點+右下角點
f.PLN：4個角點+中心點
B.基於單中心點預測的方法
a.CenterNet:Objects as Points：中心點+寬度+高度
b.CSP：中心點+高度（作者預設了目標寬高比固定，根據高度計算出寬度）
c.FCOS：中心點+到框的2個距離