钟落潭有没有做网站的/软文代写平台

一、anchor机制
       anchor是目标检测中非常重要的一种预设框机制，在卷积层出来的feature map上，使用一组预定义的比例尺和纵横比在空间域上均匀采样锚点，一般情况下，一个锚点就是该feature map上的一个像素点，在该锚点上，可以得到以该锚点为中心的，长宽比不同，的k个anchor(box)，作为预设框，目标框是在该预设框的基础上，做中心位置的偏移，以及尺寸的缩放得到的，偏移值和缩放值就是网络要预测的值。

二、现存的anchor机制的问题（论文提出的）

• 论文认为：设置固定的anchor尺寸和比例，效率不高，而且为了得到很高的召回率，需要设置大量的anchor的尺寸来捕获目标，但其实，这些大量的achor box中，真正能为检测到目标做贡献的，不多。
• 我的思考：就是，训练之前，怎么为一个检测场景设置更贴合的anchor？就是怎么判断anchor设置的好不好？这里有个思路（之前没有试过，以后有机会可以试一试）：1）、将某层feature上的anchor框在输入图片（网络输入，例如512x512）上重现；2）、gt 重现到输入图片上；3）、计算所有gt和所有anchor的iou矩阵；4）、分析iou矩阵，可以发现，anchor设置的不合理，导致anchor不覆盖所有的gt，即有些gt不能和所有的anchor匹配上。

三、针对问题，论文提出的解决方案
      论文的思路是，将固定的shape和scale变成可变的shape和scale。分为两步：首先判断一个子区域是否含有目标，然后再该子区域内决定目标的shapes。
      

• Anchor Location Prediction Net
  特征图F从卷积层出来之后，一个分支进入anchor预测网络，该网络生成一个概率图p，大小和F一样，概率图上p(i,j)表示，在输入图片上，以((i + 0.5)*s, (j + 0.5)*s)为中心，s是stride，存在一个目标的概率。通过这个网络，可以过滤到90%的无用的区域，并且保证相同的召回率。

• Anchor Shape Prediction Net
  该网络负责预测宽w和高h的值，直接预测不可能，因为这两个值不稳定，因此使用下面的转换公式进行预测：
  
  该公式将预测范围从[0,1000]转换为[-1,1]

四、代码解刨
mmdetection 中加入了Guided Anchoring的代码，该部分是通过解读代码，深挖论文的细节。
未完待续！！！