目标检测-One Stage-CenterNet

前言

前文提到的YOLOv3、YOLOv4、YOLOv5都是基于Anchor的算法（anchor-based），这类算法有如下缺点：

1. 产生大量的预测框，计算量大
2. 正负样本不平衡问题：产生的预测框大部分是负样本
3. 对预定义anchor依赖：anchor-based方法的anchor box的尺度是一个超参数，不同的超参设置会影响模型性能

因此出现了anchor-free这类不依赖于预定义锚框的算法，使得模型更灵活，并且在处理各种目标形状和大小时更具鲁棒性，在一些场景下取得了与传统锚框方法相媲美甚至更好的性能。

CenterNet 就是经典的 anchor-free 目标检测算法（CVPR 2019）

提示：以下是本篇文章正文内容，下面案例可供参考

一、CenterNet的网络结构和流程

1. 图像预处理：对图片进行随机翻转，随机缩放(0.6~1.3倍)，图片裁剪和颜色增强。
2. 将图像输入backbone（Hourglass/ResNet/DLA/…）得到下采样为原来R分之一大小的特征图

ps：

• H