Anchor-free 目标检测之 ExtremeNet
点击 我爱计算机视觉 标星,更快获取CVML新技术 本 文转载自知乎用户“路一直都在”的OUCer&CVer专栏,原文地址: https://zhuanlan.zhihu.com/p/71249684 该文被CVPR 2019接收,作者来自 德克萨斯州大学奥斯汀分校 。 论文地址: https://arxiv.org/abs/1901.08043 开源代码: https://github.com/xingyizhou/ExtremeNet 1 Abstract 随着深度学习的发展,目标检测问题已经从一个 由下到上 的问题转变为一个 由上到下 的问题。(下文有详细介绍)当前最先进的目标检测算法首先枚举密集的目标可能存在的位置,然后对每一个位置分类判断是否存在目标,是前景还是背景。 在本文中,作者认为,从下到上的方法仍然能够取得很好的性能。利用关键点预测网络预测四个极值点(最顶部、最左侧、最底部、最右侧)和一个中心点共五个关键点。 如果五个关键点是 几何对齐 的,我们将它们分组到一个bounding box中,那么,目标检测问题就转化为一个纯的 关键点估计 问题,而不用进行分类或特征学习。实验表明,在COCO数据集上,AP有43.7%。 2 Introduction 利用从上到下的方法进行目标检测是当今的主流方法。常用的目标检测器将目标检测转变为矩形区域分类,通过裁剪