李 浩，张晓强

（中国矿业大学信息与控制工程学院，江苏 徐州 221116）

0 概述

随着深度学习理论的发展和计算机性能的不断提升［1-3］，目标检测逐渐成为深度学习领域的热门研究方向，其实现方式为预测一幅图像的所有目标标注框以及对应分类。由于多数经典检测模型均是基于预设好超参数的锚点框，如RetinaNet［4］、SSD［5］、YOLOv3［6］等单阶段检测模型以及Faster R-CNN［7］等双阶段检测模型，因此研究人员普遍认为预设参数对目标检测模型至关重要，并证明了锚点的超参数设置可降低模型鲁棒性，并且显著增加模型参数调试的复杂度。自2018 年起，FCOS［9］、CornerNet［10］和CenterNet［11］等无锚点检测模型在无锚点的情况下预测物体，可避免调试锚点相关的超参数，但是获得的检测效果难以达到锚点检测模型的水平。

虽然锚点的设置使得目标检测领域取得显著进展，但是基于锚点的检测器仍面临诸多问题。在RetinaNet［4］中，锚点框的尺寸、比例与个数等超参数对该模型的平均精度影响较大，造成设置合理的上述参数较为困难。在设置合理的超参数后，由于锚点框的比例与尺寸在模型建立时必须固定，使得检测模型对形状变化较大的目标集的检测难度增大。同时，预制定的锚点框将会限制检测模型的鲁棒性与通用性，这是因为每遇到一个全新的数据集都需要重新设计锚点框的超参数以获得最优性能。为获得更高的召回率，一个基于锚点的模型需要在输入图像上密集铺置锚点框。比如在特征金字塔网络……