[神经网络]Anchor_Free网络(YoloX,CenterNet)-Toy模板网

这篇具有很好参考价值的文章主要介绍了[神经网络]Anchor_Free网络(YoloX,CenterNet)。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

Anchor_Free网络不同于传统的目标检测网络需要先生成很多先验框再从中筛选+回归生成预测框。其可以直接从目标的中心点向周围发散一个预测框。这样做有两个好处：①省略了生成大量先验框的过程，可以一定程度增加预测速度；②预测框没有预设长宽比，对于长宽比异常的目标识别精度更有精度。

[神经网络]Anchor_Free网络(YoloX,CenterNet),神经网络,学习笔记,神经网络,人工智能,深度学习

从上面的图可以很清楚的看出Anchor_Free(左)和Anchor_Base(右)在处理预测框上的区别。

一、CenterNet

CenterNet是一种经典的Anchor_Free网络，其网络结构如下图所示：可以分为骨干网络、高分辨率特征图生成网络，分类头。

[神经网络]Anchor_Free网络(YoloX,CenterNet),神经网络,学习笔记,神经网络,人工智能,深度学习

1.骨干网络

骨干网络一般为ResNet50或Hourglass Net。这里以ResNet50为例，512x512的图像经过特征提取会得到一个16x16x2048的特征图。并不像Yolo一样需要抽取多个不同尺寸的特征。

2.高分辨率特征图生成网络

即网络结构图中的三个ConvTranspose（反卷积）模块,对于特征图(16x16x2048)而言，三次反卷积会最终生成一个128x128x64的特征图（每次反卷积特征的高宽会放大2倍），使用这个特征图网络即可通过Center Head预测出最终结果。

3.Center Head

Center Head将128x128x64的特征图划分为128个区域，每个区域中存在一个特征点。当物体的中心落入某个区域时，该区域的特征点（通常是区域左上角的点）会作为基点来确定物体。

Center Head会利用特征图进行三个卷积，分别进行热力图预测、中心点预测、宽高预测。

①热力图预测：用来判断每一个热力点(特征点)是否存在物体，以及物体的种类，其通道数为num_classes（种类数），输出结果为（128x128x num_classes）

num_classes通道为每个种类的概率，经过激活函数即可判断最有可能的类型

②中心点预测：用来判断中心点到热力点的偏移情况，通道数为2，输出结果为（128x128x2）

2维通道代表中心点相对于特征点右下角的偏移情况

③宽高预测：用来预测每个物体的宽高情况，通道数为2，输出结果为（128x128x2）

2维通道代表物体预测框的宽和高

CenterNet同样需要非极大抑制操作来确保同一类型的预测框不会过多叠加，但是不同的是其需要在生成预测框之前，在热力图预测结果上进行非极大抑制。

二、YoloX

Yolo系列向来都是经典的Anchor_Base网络，而YoloX通过对预测头(Yolo Head)的修改是的其能在不适用先验框的情况下生成预测框。

YoloX的大体结构和传统的Yolo差别不大，也使用Darknet作为骨干网络，最大的修改来自与Yolo Head，网络结构图下图，依旧能分为骨干网络、FPN加强特征提取网络、Yolo Head预测头

[神经网络]Anchor_Free网络(YoloX,CenterNet),神经网络,学习笔记,神经网络,人工智能,深度学习

1.骨干网络

为改进的CSPDarknet，这个网络会输出三个不同尺寸的特征图，称为有效特征层。由上面的网络图可以看出，CSPDarknet主要由两种模块构成：Conv2D_BN_SiLU和CSPLayer，同时在输入的时候使用了Focus结构，最后一层使用了SPP提高网络的感受野。

Conv2D_BN_SiLU实际上就是一个残差网络模块，知识其激活函数从ReLu换成了SiLU，SiLU具备无上界有下界、平滑、非单调的特性。SiLU在深层模型上的效果优于 ReLU。可以看做是平滑的ReLU激活函数，其公式可以写作：。

CSPLayer类似于ShuffleNet中的Channel Split操作，该模块将输入特征拆分为左右两个部分，左边直接连接到输出，右边则正常进行残差运算。结构如下图所示：

[神经网络]Anchor_Free网络(YoloX,CenterNet),神经网络,学习笔记,神经网络,人工智能,深度学习

Focus结构不难理解，其在图片中每隔一个像素点获取一个值。每获取四个值时便将这四个值进行堆叠生成一个特征层，相当于将原来的3通道变为了12通道，操作图如下图所示：

[神经网络]Anchor_Free网络(YoloX,CenterNet),神经网络,学习笔记,神经网络,人工智能,深度学习

SPP结构通过不同池化核大小的最大池化进行特征提取，以提高网络的感受野，在YoloV4中该结构被用在FPN中，而YoloX中则将其用在了骨干网络上。

2.FPN网络

同样是对骨干网络输出的三个特征进行上采样融合和下采样融合，结构如图，主要的特点是采用了CSPLayer替代传统卷积，在这里就不再赘述，可以参考之前YoloV7的文章。

[神经网络]Anchor_Free网络(YoloX,CenterNet),神经网络,学习笔记,神经网络,人工智能,深度学习

[神经网络]YoloV7https://blog.csdn.net/weixin_37878740/article/details/131590277?spm=1001.2014.3001.5501

3.Yolo Head

这是YoloX最大的不同点，以前的Yolo网络的所有解耦头都是连载一起的（即分类和回归由一个1x1卷积实现），而YoloX将其进行了拆分，到最终预测的时候再整合起来。

[神经网络]Anchor_Free网络(YoloX,CenterNet),神经网络,学习笔记,神经网络,人工智能,深度学习

从上图可见，此分类头一共三个输出Cls用来判断每个特征点包含的物体种类（num_classes个通道），Reg为回归参数(4个通道)，用来调整预测框，Obj用来判断特征点是否含有物体(1个通道)。文章来源地址https://www.toymoban.com/news/detail-542473.html

到了这里，关于[神经网络]Anchor_Free网络(YoloX,CenterNet)的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！