CVPR 2019 -目标检测 - GA-RPN《Region Proposal by Guided Anchoring》理解

本文链接：https://blog.csdn.net/weixin_44669387/article/details/104142407

本文介绍了一种名为GA-RPN的新方法，它通过语义特征指导锚生成，优化了目标检测过程。该方法能根据目标的位置预测不同尺寸和长宽比的锚，有效减少了背景区域的锚数量，提高了检测速度和召回率。实验结果显示，在MSCOCO2019数据集上，使用GA-RPN的FasterRCNN等模型的mAP有显著提升。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

（一段废话）最近在学习经典目标检测算法Faster RCNN，个人觉得应该同时读一些文章，这样有助于更好地理解原算法，同时又学习了新算法。CVPR2019的一些工作还是挺有意思的，我将就《Region Proposal by Guided Anchoring》谈一些个人理解。如有不正之处，还请大家批评指出。文章下载地址为http://openaccess.thecvf.com/content_CVPR_2019/papers/Wang_Region_Proposal_by_Guided_Anchoring_CVPR_2019_paper.pdf

一、本文提出了一种能够根据语义特征引导锚生成的方法，能够同时预测目标的位置以及不同位置处锚的尺寸和长宽比。

１．数据集：
MS COCO 2019
２．评价指标：
召回率(recall)
结果：该方法所用的achor是RPN的90%，使用该方法的Fast RCNN、Faster RCNN、RetinaNet其mAP分别提升了2.2%、2.7%、1.2%。

二、思路(减少achor生成的数量，根据特征图的不同位置生成不同大小的achor)

1.存在的问题：
以Faster RCNN为例，其achor的选取遵循以下原则:
（还未理解透彻）
其缺点在于:
①固定尺度的achor会影响检测器的速度和召回率；
②大量的achor都是在背景区域，计算量过大。
2.启发：
目标在图像上并不是均匀分布的，目标的尺度与图像的内容，位置和几何场景有关。
3.解决方法：
首先确定可能包含目标的子区域，然后根据不同的位置确定不同的形状的achor。