目前目标检测算法发展成了两条技术路线：Anchor based方法和Anchor free方法。

一：Anchor based

Anchor-based方法则包括一阶段和二阶段检测算法(二阶段目标检测算法一般比一阶段精度要高，但一阶段检测算法速度会更快)。

   1.1 Two-stage目标检测算法

二阶段算法主要分为以下2个阶段：

1. 从图像中生成Region proposals
2. 从Region proposals生成最终的物体边框并分类。

主要算法：R-CNN系列

   1.2 One-stage目标检测算法

一阶段目标检测算法不需要region proposal阶段，直接产生物体的类别概率和位置坐标值，经过一个阶段即可直接得到最终的检测结果，因此有着更快的检测速度。

主要算法：YOLO系列、SSD

   1.3​​​​​​​ Anchor based目标算法局限性

基于Anchor的目标检测算法主要有以下四大缺点：

1.Anchor的大小，数量，长宽比对于检测性能的影响很大，因此Anchor based的检测性能对于anchor的大小、数量和长宽比都非常敏感。

2.这些固定的Anchor极大地损害了检测器的普适性，导致对于不同任务，其Anchor都必须重新设置大小和长宽比。

3.为了去匹配真实框，需要生成大量的Anchor，但是大部分的Anchor在训练时标记为负样本，所以就造成了样本极度不均衡问题。

4.在训练中，网络需要计算所有Anchor与真实框的IOU，这样就会消耗大量内存和时间。

二：Anchor free

近年的Anchor free技术则摒弃Anchor，通过确定关键点的方式来完成检测，大大减少了网络超参数的数量。

主要算法：CornerNet

版权声明：本文为CSDN博主「菜狗子a」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/weixin_44570701/article/details/122311952