anchor-free 的方法能够在精度上媲美 anchor-based 的方法，最大的功劳我觉得应该归于 FPN，其次归于 Focal Loss。（内心OS：RetinaNet 赛高）。在每个位置只预测一个框的情况下，FPN 的结构对尺度起到了很好的弥补，FocalLoss 则是对中心区域的预测有很大帮助。当然把方法调 work 并不是这么容易的事情，相信有些细节会有很大影响，例如对重叠区域的处理，对回归范围的限制，如何将 target assign 给不同的 FPN level，head 是否 share 参数等等。
知乎上看的文章的段落裁剪
©著作权归作者所有,转载或内容合作请联系作者
平台声明：文章内容（如有图片或视频亦包括在内）由作者上传并发布，文章内容仅代表作者本人观点，简书系信息发布平台，仅提供信息存储服务。
平台声明：文章内容（如有图片或视频亦包括在内）由作者上传并发布，文章内容仅代表作者本人观点，简书系信息发布平台，仅提供信息存储服务。
推荐阅读更多精彩内容
- ——FSAF，CVPR 2019 摘要 本文提出feature selective anchor-free (FS...
- 论文提出anchor-free和proposal-free的one-stage的目标检测算法FCOS，不再需要an...
- 介绍 RetinaNet是2018年Facebook AI团队在目标检测领域新的贡献。它的重要作者名单中Ross ...
- 参考：https://blog.csdn.net/mike112223/article/details/79129...
- 腰痛已经不是中老年人的专利，现在很多年轻一辈都经常发生腰痛。对于女性朋友来讲，发现腰痛可能并不单纯代表腰椎出现了问...
