摘要

近年来，无锚点检测方法取得了显著进展。主要分为两大类：无锚点检测和关键点检测，它们在速度与精度的权衡上处于两个极端，其中无锚点检测器在速度方面具有优势。在这项工作中，我们在保持速度优势的同时，提升了无锚点检测器相对于关键点检测器的性能。为了实现这一目标，我们从无锚点的角度重新定义了检测问题，并确定无效训练是主要问题。我们的核心见解是，无锚点应该在特征金字塔内部和跨层级之间联合优化。为此，我们提出了一种简单而有效的训练策略，即软加权无锚点（soft-weighted anchor points）和软选择金字塔层级（soft-selected pyramid levels），分别解决了每个金字塔层级内的虚假注意力问题和跨所有金字塔层级的特征选择问题。为了评估该策略的有效性，我们训练了一个名为软无锚点检测器（Soft Anchor-Point Detector, SAPD）的单阶段无锚点检测器。实验结果表明，我们的简洁SAPD将速度与精度的权衡提升到了一个新的水平，优于最近的最先进的无锚点和有锚点检测器。无需复杂的技巧，我们的最佳模型在COCO数据集上可以达到47.4%的单模型单尺度平均精度（AP）。