目标检测进化史
1object as anchor
(1) 核心思想
- Anchor-based 方法：通过在图像中预定义一组锚点（Anchor），并将目标检测问题转化为对锚点的分类和回归问题。
- 典型方法：Faster R-CNN、SSD、YOLOv2/v3 等。
(2) 具体实现
- 锚点生成：在图像的每个位置生成多个不同尺度和长宽比的锚点。
- 分类与回归：对每个锚点进行分类（判断是否包含目标）和回归（调整锚点的位置和大小）。
(3) 优点
- 高精度：通过多尺度和多长宽比的锚点，能够较好地覆盖各种目标。
- 成熟稳定：Anchor-based 方法是目标检测领域的经典方法，具有丰富的理论和实践基础。
(4) 缺点
- 计算开销大：需要生成大量的锚点，导致计算开销较大。
- 超参数敏感：锚点的尺度和长宽比需要根据数据集进行调整，超参数敏感。
- 后处理：复杂大量的后处理
2 object as point
核心思想
- Anchor-free 方法：将目标检测问题转化为对目标中心点的预测问题，而不是依赖于预定义的锚点。
- 典型方法：CenterNet、FCOS 等。
(2) 具体实现
- 中心点预测：直接预测目标的中心点位置。
- 尺寸回归：通过回归预测目标的宽度和高度。
(3) 优点
- 简化设计：不需要预定义锚点，简化了模型设计。
- 计算效率高：减少了锚点生成和匹配的计算开销。
(4) 缺点
- 对小目标不敏感：由于直接预测中心点，对小目标的检测效果可能较差。
- 重叠目标不敏感：重叠物体的中心可能会重叠，导致难以区分
- 后处理复杂：需要额外的后处理步骤（如非极大值抑制）来去除重复检测
3 object as query
Query Token 的高维空间可以看作是一个 语义特征空间，其中每个维度或者不同dimension的某种组合对应某种抽象语义特征（如类别、大小、颜色、形状等）。具体来说：
- 类别：通过分类头（Classification Head），Query Token 能够预测目标的类别。
- 大小：通过回归头（Regression Head），Query Token 能够预测目标的边界框大小。
- 颜色：通过交叉注意力机制，Query Token 能够从图像特征中学习到目标的颜色信息。
- 形状：通过交叉注意力机制，Query Token 能够从图像特征中学习到目标的形状信息。
这些抽象语义特征以参数的形式被编码到 Query Token 的高维空间中，并通过训练过程不断更新
本质上object as query的decoder 是在学习一个表征（decoder query token），该表征可以很好地区分不同类别、大小、颜色、形状等抽象特征，这些抽象语义特征以参数的形式被编码到token 的高维空间中，通过学习代理任务（学习object 类别、位置，大小）的方式来进行更新
总结
从 Object as Anchor 到 Object as Point 再到 Object as Query，目标检测方法的发展确实呈现出一定的 稀疏化 趋势：
###(1) 稀疏化的体现
- Object as Anchor：需要生成大量的锚点，计算开销较大。
- Object as Point：直接预测目标的中心点，减少了锚点生成和匹配的计算开销。
- Object as Query：通过 Transformer 模型生成一组查询，进一步减少了计算开销（此处的计算开销主要是指原来的多个anchor 后处理来说的）。
###(2) 稀疏化的优势
- 计算效率高：稀疏化方法能够减少不必要的计算，提高计算效率。
- 模型设计简化：稀疏化方法简化了模型设计，减少了超参数的数量， 但是transformer类型的计算复杂度相对同等的conv显得较高。同时稀疏化的检测方法更难解释
###(3) 稀疏化的挑战
- 训练难度大：稀疏化方法可能需要更多的训练数据和计算资源。
- 对小目标不敏感：稀疏化方法可能对小目标的检测效果较差。
- Object as Anchor：通过预定义锚点进行目标检测，计算开销大但精度高。
- Object as Point：通过预测目标中心点进行目标检测，简化设计但对小目标不敏感。
- Object as Query：通过 Transformer 模型生成查询进行目标检测， 对于数据均衡性要求较高，灵活性高但训练难度大。
目标检测方法的发展确实呈现出一定的稀疏化趋势，但稀疏化方法也面临一些挑战（如训练难度大、对小目标不敏感等）。未来，目标检测领域可能会继续探索更高效、更灵活的表示方法，以平衡计算效率和检测精度。
本文为原创文章，未经作者允许禁止转载。