简介
"Anchor-free"（无锚点）是一种目标检测方法，与传统的使用锚框（anchor boxes）的方法（例如Faster R-CNN）不同。在传统方法中，锚框是预先定义的、具有不同尺寸和长宽比的矩形区域，用于捕捉不同尺寸和形状的目标。而在"anchor-free"方法中，不再使用锚框，而是直接预测目标的位置和形状，通常使用网络输出的热图和偏移信息。
以下是对"anchor-free"方法的一些关键理解点：
无需预定义锚框： 在传统目标检测方法中，需要事先定义和生成一组锚框，这可能需要大量的人工工作。而在"anchor-free"方法中，不再需要锚框，模型可以自动学习目标的位置和形状。
直接位置和形状回归： "anchor-free"方法通过输出的热图来表示目标的存在概率，并使用偏移信息来定位目标的中心和形状。这些热图和偏移信息通常通过卷积神经网络预测。
适用于不规则目标： 传统的锚框在捕捉不规则形状的目标时可能会有困难，而"anchor-free"方法可以更好地适应不规则目标的检测。
减少计算复杂性： 由于不需要生成大量锚框，"anchor-free"方法可能减少了计算复杂性，这对于实时目标检测任务很有帮助。
端到端训练： 通常，"anchor-free"方法可以实现端到端训练，模型可以直接从原始数据中学习目标检测任务，而不需要额外的处理。
一些常见的"anchor-free"目标检测方法包括CenterNet、CornerNet和Center-KeypointNet等。这些方法在不同的场景和应用中都取得了很好的效果，特别是在需要高效目标检测的任务中。但需要注意，每种方法的性能和适用性会根据具体情况有所不同，因此在选择目标检测方法时需要考虑任务的要求。
另一方面，基于锚框的方法涉及生成一组预定义的锚框（例如R-CNN中的RPN或SSD中的prior box），并根据这些锚框与真实框之间的差异进行位置回归。
引入锚框的方法具有以下优点：
1）它显著减少了计算复杂性，并将提案的数量控制在可管理的范围内，以便进行后续的计算和筛选。
2）通过调整不同的锚框设置，可以覆盖尽可能多的物体，并为不同的任务设置不同的锚框尺度范围。
3）由于锚框的尺度是人工定义的，物体的定位是通过锚框的回归来实现的，仅计算偏移量而不是精确位置，大大降低了优化的难度。
然而，基于锚框的方法也有一些局限性：
1）许多在Faster R-CNN之后发表的论文表明，通过使用更多不同尺寸和长宽比的锚框以及采用各种训练技巧，可以获得更好的结果。然而，通过增加计算能力来改进网络的方法往往难以在实际应用中实施（模型速度和大小）。
2）锚框的设置需要手动调整大量参数，并且离散的锚框尺度设置可能导致某些物体无法与任何锚框匹配，导致遗漏检测。
相比之下，基于锚框的方法需要生成一组预定义的锚框，并通过锚框与真实框之间的差异进行位置回归。基于锚框的方法可以显著减少计算复杂性，并调整锚框设置以适应不同尺度的物体。然而，基于锚框的方法需要手动调整参数，并且可能遗漏检测某些物体。
以下是一些"anchor-free"目标检测方法的简介：
- DenseBox: 使用单个FCN进行目标检测，通过多任务引入landmark localization来提升性能。
- CornerNet: 基于关键点的目标检测方法，通过预测物体的角点来实现检测。
- CenterNet: 基于物体中心点的目标检测方法，通过预测物体的中心点来实现检测。
- FCOS: 一种自适应正负anchor选择的目标检测方法。
- ATSS: 另一种自适应正负anchor选择的目标检测方法。
每种方法在不同场景和应用中取得了良好的效果，但具体选择哪种方法需要根据任务需求进行考虑。
请注意，以上内容仅为简要介绍，具体细节和性能可能因具体方法和实验设置而有所不同。更多详细信息可以参考各个方法的论文和相关资料。
Anchor-free工作
DenseBox
两点贡献：
1.证明单个FCN可以检测出遮挡严重、不同尺度的目标。
2.通过多任务引入landmark localization，能进一步提升性能。
如图1所示，单个FCN同时产生多个预测bbox和置信分数的输出。测试时，整个系统将图片作为输入，输出5个通道的feature map。每个pixel的输出feature map得到5维的向量，包括一个置信分数和bbox边界到该pixel距离的4个值。最后输出feature map的每个pixel转化为带分数的bbox，然后经过NMS后处理。
Ground Truth Generation
如果直接使用整幅图片进行训练的话，会在反向传播时浪费大量时间，于是使用了一种策略，对输入图片进行裁剪包含人脸和丰富背景的patches（目标检测的数据增强），在训练阶段，这些patches被裁剪后resize到240x240，其中人脸区域大约50像素。因此最后的输出为60x60且5通道的张量，因此Ground Truth在构建时，也得是60x60x5的张量，其人脸区域由一个以人脸bounding box的中心为圆心且半径为0.3倍(paper setting)的bounding box size的圆形区域确定，这个东西与segmentation类似。现在看来思想很超前！
在GT的第一个通道，我们用0来进行初始化，如果包含在正样本区域，那么就设置为1。其他的4个通道由该像素点与box的左上角和右下角的距离来确定。对于多张人脸，如果他们落在patch center的一定范围内，那么这些人脸就是正样本，其余的均为负样本。
模型结构
使用了VGG19，由于进行了上采样，所以总体图像尺寸降了4倍！
Keypoint-based
FCOS
ATSS :
目标检测的自适应正负anchor选择