王宏任 陳世峰

1(中國(guó)科學(xué)院深圳先進(jìn)技術(shù)研究院 深圳 518055)

2(中國(guó)科學(xué)院大學(xué)深圳先進(jìn)技術(shù)學(xué)院 深圳 518055)

1 引 言

目標(biāo)檢測(cè)是計(jì)算機(jī)視覺(jué)中很常見(jiàn)的任務(wù)。根據(jù)有無(wú)提取候選區(qū)域(Region Proposal)，目標(biāo)檢測(cè)領(lǐng)域的檢測(cè)方法通常分為一階段(One-stage)檢測(cè)網(wǎng)絡(luò)和二階段(Two-stage)檢測(cè)網(wǎng)絡(luò)。其中，一階段檢測(cè)方法直接回歸物體的類(lèi)別概率和位置坐標(biāo)值。常見(jiàn)的一階段算法包括：YOLOv1[1]、YOLOv2[2]、YOLOv3[3]、SSD[4]、DSSD[5]和Retina-Net[6]。二階段檢測(cè)方法的任務(wù)包括第一階段提取候選區(qū)域以及第二階段將候選區(qū)域送到分類(lèi)器進(jìn)行分類(lèi)與檢測(cè)。常見(jiàn)的二階段算法包括：R-CNN[7]、SPP-Net[8]、Fast R-CNN[9]、Faster R-CNN[10]、Mask R-CNN[11]和 Cascade R-CNN[12]。與一階段檢測(cè)網(wǎng)絡(luò)相比，二階段檢測(cè)網(wǎng)絡(luò)的檢測(cè)精度更高，但速度慢于一階段檢測(cè)網(wǎng)絡(luò)。

另外，根據(jù)是否利用錨框(Anchor)提取候選目標(biāo)框，目標(biāo)檢測(cè)框架也可分為基于錨框的方法(Anchor-based)、基于無(wú)錨框的方法(Anchorfree)以及兩者融合類(lèi)。其中，基于錨框類(lèi)算法有Fast R-CNN、SSD、YOLOv2 和 YOLOv3；基于無(wú)錨框類(lèi)算法有 CornerNet[13]、ExtremeNet[14]、CenterNet[15]和 FCOS[16]；融合基于錨框和基于無(wú)錨框分支的方法有 FSAF[17]、GA-RPN[18]和SFace[19]。

目前，所有的主流探測(cè)器，如 Faster R-CNN、SSD、YOLOv2 和 YOLOv3 都依賴(lài)一組預(yù)先定義的錨框。其中，人們認(rèn)為錨框的使用是檢測(cè)器成功的關(guān)鍵。盡管這些主流探測(cè)器取得了巨大的成功，但基于錨框方法仍存在一些缺點(diǎn)：(1)即使經(jīng)過(guò)仔細(xì)的設(shè)計(jì)，但由于錨框的尺度和長(zhǎng)寬比是預(yù)先設(shè)定的，檢測(cè)器在處理形狀變化較大的候選物體時(shí)也會(huì)遇到困難，尤其是對(duì)于小物體，這無(wú)疑阻礙了檢測(cè)器的泛化能力；(2)為了達(dá)到較高的召回率，需要在輸入圖像上密集放置錨框(如對(duì)于短邊為 800 的圖像，在特征金字塔網(wǎng)絡(luò)(FPN)中放置超過(guò) 180k 的錨框)，但大多數(shù)錨框在訓(xùn)練中被標(biāo)記為負(fù)樣本，而過(guò)多的負(fù)樣本會(huì)加劇訓(xùn)練中正負(fù)樣本之間的不平衡；(3)錨框涉及復(fù)雜的計(jì)算，如計(jì)算與真實(shí)邊框(Ground-truth)的重疊度(Intersection over Union，IoU)。

為了克服基于錨框方法的缺點(diǎn)，CornerNet采用基于關(guān)鍵點(diǎn)檢測(cè)角點(diǎn)提取候選區(qū)域的方法：利用單個(gè)卷積神經(jīng)網(wǎng)絡(luò)來(lái)檢測(cè)一個(gè)以左上角和右下角為一對(duì)關(guān)鍵點(diǎn)的目標(biāo)包圍框，通過(guò)將目標(biāo)作為成對(duì)的關(guān)鍵點(diǎn)進(jìn)行檢測(cè)，消除了以往檢測(cè)器通常需要人為設(shè)計(jì)錨框的需要。然而，CornerNet也存在一些問(wèn)題：(1)CornerNet 對(duì)物體內(nèi)部信息的感知能力相對(duì)較弱，制約了 CornerNet 的性能。(2)在進(jìn)行關(guān)鍵點(diǎn)配對(duì)時(shí)，CornerNet 認(rèn)為屬于同一類(lèi)別的關(guān)鍵角點(diǎn)間應(yīng)盡可能靠近，屬于不同類(lèi)別的關(guān)鍵角點(diǎn)間應(yīng)盡可能遠(yuǎn)離。但在實(shí)驗(yàn)過(guò)程中發(fā)現(xiàn)，通過(guò)計(jì)算左上角點(diǎn)的嵌入向量及右下角點(diǎn)的嵌入向量間的距離來(lái)決定是否將兩個(gè)點(diǎn)進(jìn)行組合，經(jīng)常會(huì)發(fā)生配對(duì)錯(cuò)誤的情況。(3)采用關(guān)鍵點(diǎn)配對(duì)的方式確定一個(gè)目標(biāo)的候選區(qū)域，會(huì)產(chǎn)生大量誤檢目標(biāo)的候選區(qū)域，這樣不僅會(huì)使檢測(cè)精度降低而且會(huì)花費(fèi)較長(zhǎng)時(shí)間。本文提出一種新的無(wú)錨框二階段目標(biāo)檢測(cè)算法對(duì)以上 3 個(gè)問(wèn)題進(jìn)行優(yōu)化。

2 基于關(guān)鍵點(diǎn)目標(biāo)檢測(cè)方法

本文將 CornerNet 作為基準(zhǔn)，提出一種基于無(wú)錨框 3 個(gè)關(guān)鍵點(diǎn)檢測(cè)的二階段目標(biāo)檢測(cè)網(wǎng)絡(luò)方法。如圖 1 所示：第一階段采用基于無(wú)錨框關(guān)鍵點(diǎn)檢測(cè)的方法分別檢測(cè)角點(diǎn)以及中心關(guān)鍵點(diǎn)，同時(shí)判斷中心點(diǎn)是否落在中心區(qū)域以進(jìn)行誤檢候選區(qū)域的剔除，即提取候選區(qū)域；第二階段將第一階段過(guò)濾后保留下來(lái)的候選區(qū)域送到多元分類(lèi)器中進(jìn)行分類(lèi)與檢測(cè)。

圖1 基于關(guān)鍵點(diǎn)檢測(cè)的二階段目標(biāo)檢測(cè)方法網(wǎng)絡(luò)框架Fig.1 The network architecture of two-stage object detection method based on key point detection

2.1 基于無(wú)錨框 3 個(gè)關(guān)鍵點(diǎn)檢測(cè)

為了檢測(cè)角點(diǎn)，本文先采用基于 CornerNet關(guān)鍵點(diǎn)檢測(cè)的方法來(lái)定位左上以及右下角點(diǎn)；然后，通過(guò)角點(diǎn)池化[13]生成左上角以及右下角兩個(gè)熱圖來(lái)代表不同類(lèi)別關(guān)鍵點(diǎn)的位置；最后，進(jìn)行角點(diǎn)關(guān)鍵點(diǎn)的偏移修正。

另外，為了加強(qiáng)網(wǎng)絡(luò)對(duì)物體內(nèi)部信息的感知能力，本文增加了中心關(guān)鍵點(diǎn)的檢測(cè)分支，并采用中心池化操作加強(qiáng)中心點(diǎn)的特征。同時(shí)定義了物體中心度的概念——設(shè)定中心度大于 0.7 時(shí)，可認(rèn)為中心關(guān)鍵點(diǎn)落在中心區(qū)域，很好地解決了不同尺寸物體中心區(qū)域的判定。最終，只有當(dāng)物體的中心點(diǎn)落在預(yù)測(cè)框的中心區(qū)域才進(jìn)行保留，否則去除。需要說(shuō)明的是，當(dāng)中心關(guān)鍵點(diǎn)同時(shí)落在多個(gè)不同的預(yù)測(cè)框中時(shí)，取中心度最大的那個(gè)預(yù)測(cè)框予以保留，并剔除多余的預(yù)測(cè)框，以減少誤檢框出現(xiàn)的概率。具體如圖 2 所示。

圖2 利用中心關(guān)鍵點(diǎn)過(guò)濾誤檢候選區(qū)域Fig.2 Filtering false detection candidate regions using the internal key point

2.1.1 角點(diǎn)關(guān)鍵點(diǎn)檢測(cè)

關(guān)于角點(diǎn)關(guān)鍵點(diǎn)的檢測(cè)，本文借鑒CornerNet 來(lái)定位被檢對(duì)象的兩個(gè)角點(diǎn)關(guān)鍵點(diǎn)——分別位于其左上角和右下角。計(jì)算 3 個(gè)熱圖(即左上的熱圖和右下的熱圖以及中心點(diǎn)的熱圖，熱圖上的每個(gè)值表示一個(gè)角的關(guān)鍵點(diǎn)出現(xiàn)在相應(yīng)位置的概率)，其分辨率變成原始圖像分辨率的 1/4。其中，熱圖有兩個(gè)損失，用來(lái)定位熱圖上的左上角關(guān)鍵點(diǎn)，用來(lái)定位熱圖上的右下角關(guān)鍵點(diǎn)和偏移損失，具體如公式(1)～(3)。在計(jì)算熱圖之后，從所有熱圖中提取固定數(shù)量的關(guān)鍵點(diǎn)(左上角k個(gè)，右下角k個(gè))，每個(gè)角點(diǎn)的關(guān)鍵點(diǎn)都配有一個(gè)類(lèi)標(biāo)簽。

其中，C為目標(biāo)的類(lèi)別；H、W分別為熱圖的高和寬；pcij為預(yù)測(cè)熱圖中c類(lèi)在位置(i,j)的得分；ycij為加了非歸一化高斯熱圖；N為圖像中物體的數(shù)量；α和β為控制每個(gè)點(diǎn)貢獻(xiàn)的超參數(shù)。

在進(jìn)行關(guān)鍵點(diǎn)配對(duì)時(shí)，CornerNet 認(rèn)為屬于同一類(lèi)別的關(guān)鍵角點(diǎn)間應(yīng)盡可能靠近，屬于不同類(lèi)別的關(guān)鍵角點(diǎn)間應(yīng)盡可能遠(yuǎn)離[21]。但在實(shí)驗(yàn)的過(guò)程中，配對(duì)關(guān)鍵點(diǎn)時(shí)可能會(huì)出現(xiàn)錯(cuò)誤，同時(shí)為了充分利用物體的內(nèi)部信息，本文將這一機(jī)制舍棄，留給二階段中的多元分類(lèi)器來(lái)完成關(guān)鍵點(diǎn)的配對(duì)問(wèn)題。

2.1.2 中心度——中心區(qū)域的定義

為了有效剔除大量誤檢候選區(qū)域，本文通過(guò)判斷中心關(guān)鍵點(diǎn)是否落在目標(biāo)框的中心區(qū)域的方法來(lái)解決此問(wèn)題。由于每個(gè)邊界框的大小不同，所以中心區(qū)域不能設(shè)置為一個(gè)固定的數(shù)值。本文提出尺度可調(diào)節(jié)的中心區(qū)域定義法如公式(4)所示，引入新的定量指標(biāo)中心度(Centrality)概念。

其中，l為計(jì)算中心點(diǎn)到預(yù)測(cè)框左邊的距離；r為中心點(diǎn)到右側(cè)的距離；t為中心點(diǎn)到上邊框的距離；b為中心點(diǎn)到下邊框的距離，具體如圖 3 所示。

圖3 中心度計(jì)算Fig.3 Centrality calculation

2.1.3 中心池化

中心池化操作參考 CornerNet 的兩個(gè)角點(diǎn)池化模塊——左上角點(diǎn)池化和右下角點(diǎn)池化，分別預(yù)測(cè)左上角關(guān)鍵點(diǎn)和右下角關(guān)鍵點(diǎn)。每個(gè)角點(diǎn)模塊有 2 個(gè)輸入特征圖，相應(yīng)圖的寬、高分別用W和H表示。假設(shè)要對(duì)特征圖上(i,j)點(diǎn)做左上角的角點(diǎn)池化，即計(jì)算(i,j)到(i,H)的最大值(最大池化)，同時(shí)計(jì)算(i,j)到(W,j)的最大值(最大池化)，隨后將這兩個(gè)最大值相加得到(i,j)點(diǎn)的值。右下角的角點(diǎn)池化操作類(lèi)似，只不過(guò)計(jì)算最大值變成從(0,j)到(i,j)和從(i,0)到(i,j)。

物體的幾何中心不一定具有很明顯的視覺(jué)特征，如人類(lèi)頭部包含強(qiáng)烈的視覺(jué)特征，但中心關(guān)鍵點(diǎn)往往在人體的中間。為了解決這個(gè)問(wèn)題，本文采用中心池化來(lái)捕捉更豐富和可識(shí)別的視覺(jué)特征。圖4 為中心池化的原理：特征提取網(wǎng)絡(luò)輸出一幅特征圖(寬、高分別用W和H表示)，中心池化可通過(guò)不同方向上的角點(diǎn)池化的組合實(shí)現(xiàn)。其中，水平方向上取最大值的操作可通過(guò)左邊池化(Left Pooling)和右邊池化(Right Pooling)串聯(lián)實(shí)現(xiàn)。同理，垂直方向上取最大值的操作可通過(guò)上部池化(Top Pooling)和下部池化(Bottom Pooling)串聯(lián)實(shí)現(xiàn)。

為了判斷特征圖中的某個(gè)像素是否為中心關(guān)鍵點(diǎn)，需要通過(guò)中心池化找到其在水平方向和垂直方向的最大值，且將二者相加，這樣有助于更好地檢測(cè)中心關(guān)鍵點(diǎn)。具體操作為特征圖的兩個(gè)分支分別經(jīng)過(guò)一個(gè) 3×3 卷積層、BN(Batch Normalization)層以及一個(gè) ReLU 激活函數(shù)，做水平方向和垂直方向的角點(diǎn)池化，最后再相加。假設(shè)對(duì)圖上(i,j)點(diǎn)在水平方向做右邊池化，即計(jì)算(i,j)到(W,j)的最大值(最大池化)；同理，計(jì)算左邊池化，再將二者串聯(lián)相加獲得(i,j)點(diǎn)水平方向的值。同理，找到垂直方向，最后將水平與垂直方向的值進(jìn)行相加獲得(i,j)點(diǎn)的值。

2.2 分類(lèi)

采用關(guān)鍵點(diǎn)檢測(cè)的方式提取候選區(qū)域，雖然能夠解決需人為設(shè)定錨框大小以及長(zhǎng)寬比等超參數(shù)的問(wèn)題，大大提高檢測(cè)的靈活度，但也因此帶來(lái)了兩個(gè)問(wèn)題：大量的誤檢候選區(qū)域以及過(guò)濾掉這些誤檢區(qū)域而帶來(lái)的高計(jì)算成本。基于此，本文采取的解決方案主要包括兩個(gè)步驟：

(1)先判斷角點(diǎn)與中心點(diǎn)是否屬于同一類(lèi)別，再通過(guò)計(jì)算中心點(diǎn)的中心度是否大于 0.7 來(lái)過(guò)濾掉大量錯(cuò)誤的候選區(qū)域。

(2)將第一步篩選后存留的候選區(qū)域送到之后的多元分類(lèi)器，對(duì)仍存在多個(gè)類(lèi)別的目標(biāo)分?jǐn)?shù)進(jìn)行排序。其中，采用 RoIAlign[26]提取每個(gè)候選區(qū)域上的特征，并通過(guò) 256×7×7 卷積層，得到一個(gè)表示類(lèi)別的向量，為每一個(gè)存活的候選區(qū)域建立單獨(dú)的分類(lèi)器。損失函數(shù)Lclass為Focal Loss[6]：

其中，M和N分別為保留的候選區(qū)域數(shù)量和其中的正樣本數(shù)量；C為數(shù)據(jù)集中與之交叉的類(lèi)別數(shù)；IoUnc為第n個(gè)候選區(qū)域與第c個(gè)類(lèi)別中所有真實(shí)框之間的最大IoU值；τ為IoU的閾值(設(shè)為 0.7)；為第n個(gè)目標(biāo)中第c個(gè)類(lèi)別的分類(lèi)分?jǐn)?shù)；為平滑損失函數(shù)的超參數(shù)(設(shè)為 2)。

3 實(shí) 驗(yàn)

3.1 數(shù)據(jù)集與評(píng)估指標(biāo)

MS-COCO[22]是目前最流行的目標(biāo)檢測(cè)基準(zhǔn)數(shù)據(jù)集之一，總共包含 12 萬(wàn)張圖片，超過(guò) 150萬(wàn)個(gè)邊界框，覆蓋 80 個(gè)對(duì)象類(lèi)別，是一個(gè)非常具有挑戰(zhàn)性的數(shù)據(jù)集。本文使用 trainval35k 來(lái)訓(xùn)練基于關(guān)鍵點(diǎn)檢測(cè)二階段目標(biāo)檢測(cè)網(wǎng)絡(luò)模型，并在 MS-COCO 數(shù)據(jù)集上進(jìn)行評(píng)估。其中，trainval35k 是由 80k 張訓(xùn)練圖片和 35k 張驗(yàn)證圖像的子集組成的聯(lián)合集。

圖4 中心池化結(jié)構(gòu)示意圖Fig.4 Schematic diagram of central pooling structure

本文使用 MS-COCO 中定義的平均精度(Average Precision，AP)作為度量來(lái)表征網(wǎng)絡(luò)模型的性能以及其他競(jìng)爭(zhēng)對(duì)手的性能。單個(gè)IoU閾值從 0.5 到 0.95 每隔 0.05 記錄一次精度 AP，最后取平均值(即0.5:0.05:0.95) 。實(shí)驗(yàn)中也記錄了一些其他重要指標(biāo)，如 AP50和 AP75為在單個(gè)IoU閾值 0.50 和 0.75 下計(jì)算精度，APs、APm和APl為在不同的目標(biāo)尺度下計(jì)算精度(小尺寸物體面積小于 32×32，中尺寸物體面積大于 32×32小于 96×96，大尺寸物體面積大于 96×96)。所有的度量都是在每個(gè)測(cè)試圖像上允許最多保留100 個(gè)候選區(qū)域計(jì)算的。

3.2 網(wǎng)絡(luò)的訓(xùn)練和測(cè)試

本文以 CornerNet 作為基線(xiàn)，部分參考了CornerNet、FCOS 的代碼，特征提取網(wǎng)絡(luò)仍然延用 CornerNet 中采用的 52/104 層的 Hourglass[24]網(wǎng)絡(luò)，并借助 Pytorch[23]實(shí)現(xiàn)算法。

網(wǎng)絡(luò)從零開(kāi)始訓(xùn)練，輸入圖像的分辨率為511×511，輸出熱圖的分辨率為 128×128。利用Adam[25]來(lái)優(yōu)化訓(xùn)練損失，整個(gè)網(wǎng)絡(luò)的損失函數(shù)L為：

4 結(jié)果與討論

本文在通用檢測(cè)數(shù)據(jù)集 COCO test-2017 上對(duì)近年來(lái)比較常見(jiàn)的基于錨框與基于無(wú)錨框的檢測(cè)框架進(jìn)行精度測(cè)試，結(jié)果如表 1 所示。從表 1 可知，本文基于無(wú)錨框關(guān)鍵點(diǎn)檢測(cè)的二階段方法比基于錨框的二階段方法 YOLOv4 精度提升 3.2%；比基于無(wú)錨框的一階段方法如 FCOS、CenterNet 精度分別提升 5.2% 和 1.8%，比CornerNet 精度提升 6.2%。其中，在檢測(cè)尺寸以及長(zhǎng)寬比特殊的物體時(shí)，檢測(cè)精度提升更明顯。這表明，基于無(wú)錨框方法進(jìn)行提取候選區(qū)域更具優(yōu)勢(shì)。

表1 本文方法和最先進(jìn)的檢測(cè)框架在 COCO test-2017 上的精度對(duì)比Table 1 Inference accuracy of ours and state-of-the-art detectors on the COCO test-2017 set

在單尺度測(cè)試時(shí)，將原始分辨率的圖像和水平翻轉(zhuǎn)的圖像輸入網(wǎng)絡(luò)中，而在多尺度測(cè)試時(shí)，將原始圖像的分辨率分別設(shè)置為 0.6、1、1.2、1.5 和 1.8 倍。此外，在單尺度評(píng)價(jià)和多尺度評(píng)價(jià)中都增加了翻轉(zhuǎn)變量。在多尺度評(píng)價(jià)時(shí)，將所有尺度的預(yù)測(cè)結(jié)果(包括翻轉(zhuǎn)變量)融合到最終結(jié)果中，然后使用 soft-NMS 來(lái)抑制冗余的限定框，并保留 100 個(gè)得分最高的限定框作為最終評(píng)價(jià)，結(jié)果如表 2 所示。

表2 多尺度測(cè)試Table 2 Multi-scale evaluation

將 3 種不同檢測(cè)框架與本研究檢測(cè)方法在COCO 數(shù)據(jù)集上進(jìn)行召回率評(píng)估，即記錄不同長(zhǎng)寬比和不同大小目標(biāo)的平均召回率(Average Recall，AR)，結(jié)果如表 3 所示。

表3 基于錨框和無(wú)錨框檢測(cè)方法的平均召回率(AR)比較Table 3 Comparison among the average recall (AR) of anchor-based and anchor-free detection methods

通常來(lái)說(shuō)，在物體非常大時(shí)，如尺寸大于(400×400,∞)，更容易被檢測(cè)到。與其他基于無(wú)錨框的方法相比，基于錨框的方法 Faster R-CNN并沒(méi)有達(dá)到期望的較高召回率。但當(dāng)物體長(zhǎng)寬比比較特殊(如 5∶1 和 8∶1)時(shí)，基于無(wú)錨框的檢測(cè)方法比基于錨框的方法表現(xiàn)更加優(yōu)異。這是因?yàn)榛跓o(wú)錨框的檢測(cè)方法擺脫了人為設(shè)置錨框長(zhǎng)寬比的束縛。本文方法繼承了 FCOS 和CornerNet 的優(yōu)點(diǎn)，使目標(biāo)定位更靈活，特別是長(zhǎng)寬比例特殊的物體。

本文在 CornerNet 算法基礎(chǔ)上加上中心關(guān)鍵點(diǎn)檢測(cè)分支與原始算法進(jìn)行對(duì)比來(lái)進(jìn)行消融實(shí)驗(yàn)，其中特征提取網(wǎng)絡(luò)采用 Hourglass-52，結(jié)果如表 4 所示。分析數(shù)據(jù)可以看到，當(dāng)引入中心關(guān)鍵點(diǎn)檢測(cè)分支后精度提升 3%，小目標(biāo)檢測(cè)精度提升 5.8%，大目標(biāo)檢測(cè)精度提升 3.6%。表明引入中心關(guān)鍵點(diǎn)檢測(cè)分支后，小目標(biāo)誤檢候選區(qū)域去除得更多。這是因?yàn)閺母怕噬现v，小目標(biāo)由于面積小更容易確定其中心點(diǎn)，因此那些誤檢候選區(qū)域不在中心點(diǎn)附近的概率更大。

表4 添加中心關(guān)鍵點(diǎn)分支的消融實(shí)驗(yàn)Table 4 The ablation experiment with the addition of the branch of the central key point

圖5 為基于錨框方法 Faster R-CNN 與基于無(wú)錨框關(guān)鍵點(diǎn)檢測(cè)的方法進(jìn)行檢測(cè)任務(wù)的可視化對(duì)比結(jié)果?？梢钥吹?，本文研究方法無(wú)需人為設(shè)置錨框大小及長(zhǎng)寬比，對(duì)于檢測(cè)小目標(biāo)以及形狀特殊的物體具有更好的檢測(cè)效果。

圖5 目標(biāo)檢測(cè)可視化對(duì)比圖Fig.5 Visual contrast diagram of object detection

5 結(jié)論

本文提出了基于無(wú)錨框二階段目標(biāo)檢測(cè)框架，即分別提取角點(diǎn)關(guān)鍵點(diǎn)以及物體中心關(guān)鍵點(diǎn)，并將它們組合成候選區(qū)域。通過(guò)判斷物體中心點(diǎn)是否落在中心區(qū)域來(lái)過(guò)濾掉大量誤檢候選區(qū)域，同時(shí)舍棄了 CornerNet 中采取的角點(diǎn)關(guān)鍵點(diǎn)結(jié)合的方式，采用二階段的方式，將保留下來(lái)的候選區(qū)域送入多元分類(lèi)器進(jìn)行分類(lèi)與回歸。

通過(guò)以上兩個(gè)階段，本文網(wǎng)絡(luò)模型檢測(cè)的查全率和準(zhǔn)確率均有顯著提高，其結(jié)果也優(yōu)于大多數(shù)現(xiàn)有目標(biāo)檢測(cè)方法，在召回率與檢測(cè)精度上都取得了良好的表現(xiàn)。最重要的是，基于無(wú)錨框的方法在提取候選區(qū)域時(shí)更加靈活，克服了基于錨框方法需人為設(shè)置錨框超參數(shù)的缺點(diǎn)。