Anchor-Intermediate Detector: object detection 目标检测组会汇报ppt

Anchor-Intermediate Detector: Decoupling and Coupling Bounding Boxes for Accurate Object Detection目标检测组会汇报ppt 《Anchor-Intermediate Detector: 对精确目标检测的解耦与耦合边界框研究》 目标检测在计算机视觉领域是一项核心任务，旨在识别并定位图像中的物体。近年来，尽管取得了显著进步，但仍然面临一些挑战，尤其是如何提高边界框的定位精度。针对这一问题，研究人员在ICCV2023上提出了Anchor-Intermediate Detector (AID)框架，该框架旨在结合Anchor-Based和Anchor-Free两种方法的优点，以实现更准确的目标检测。 传统Anchor-Based检测器，如Faster R-CNN和YOLO，依赖于预先设定的密集Anchor boxes来覆盖可能的物体位置。然而，这种方法在预测目标边界时往往不够精确，因为预定义的Anchor box难以适应各种形状和大小的对象。另一方面，Anchor-Free检测器，如CornerNet，通过预测图像的角点来定位物体，避免了对Anchor box的依赖。然而，CornerNet在推理阶段匹配角点时，会产生大量的随机角点对，这可能导致大量的误报和平均精度的下降。 为了解决这些问题，AID提出了一种创新的架构。它保留了Anchor-Based检测头，保持传统的训练流程。接着，引入了一个基于角点的Anchor-Free检测头，用于评估边界框的角点，增强了对边界框的感知。关键在于AID的Box Decouple-Couple策略。 Box Decouple策略将传统Anchor-Based检测器的边界框角点解耦，转化为独立预测的四个角点，类似于CornerNet。这一改变减少了角点对的数量，降低了误报的可能性。随后，这些解耦的角点被映射到角点感知的Heatmap M上，使每个角点对应于图像的一个特定区域，减少了角点对的数量，从而提高了精度。 Box Couple策略则通过选择多个解耦的角点，结合它们来生成新的预测边界框。这一过程有效地恢复了边界框的完整性，确保了定位的准确性。最终，新组合的角点形成一个更新的边界框Bupdate，包含了分类和更精确的定位信息。 实验结果显示，AID在基于RetinaNet和GFL模型的基础上，利用ResNet-101和ResNeXt-101-64×4d的骨干网络，显著提升了平均精度（AP）。相比于基线方法，AID在RetinaNet上提升了0.6至1.6AP，在GFL上提升了0.3至1.2AP，充分证明了其在提高目标检测精度方面的有效性。 Anchor-Intermediate Detector通过解耦与耦合边界框，成功地融合了Anchor-Based和Anchor-Free方法的优势，为精确目标检测提供了一条新的途径，具有广泛的应用潜力和研究价值。