无锚点目标检测是计算机视觉中的一种范式，用于在图像中定位和分类对象，而无需依赖预定义的锚点框集合。传统目标检测器，如Faster R-CNN和SSD，使用大量不同尺度和宽高比的锚点框作为参考候选，然后检测器对这些锚点进行细化以匹配真实对象。相比之下，无锚点方法直接预测对象的位置和范围，通常通过识别关键点（如中心点或角点）或通过将每个像素分类为属于对象的中心区域来实现，这种方法减少了与锚点生成和匹配相关的设计选择数量和计算开销，并已在标准基准上展现出具有竞争力或更优的准确性。
向无锚点检测的转变是由对更简单和更灵活检测框架的追求所驱动的，锚点基方法需要仔细调整锚点尺度、宽高比和数量，这些可能因数据集而异，无锚点方法消除了这些超参数，使其更容易适应新领域，此外，无锚点检测器通常具有更直接的架构，在训练和推理中可能更高效，这一概念随着CornerNet、CenterNet和FCOS等模型的成功而受到重视，这些模型已证明无锚点方法可以匹配或超越锚点基对应方法的性能。
历史背景
无锚点检测对象的思想源于早期关于关键点检测和语义分割的工作，在2010年代，像可变形部件模型（DPM）这样的方法使用了不依赖锚点的部件基模型，但这些方法在很大程度上被偏好锚点基区域提议网络的深度学习方法所取代，无锚点检测的复兴大约始于2018年，随着CornerNet的引入，该方法将对象检测为左上角和右下角角点关键点的配对，随后是CenterNet，它预测对象中心及其大小，以及FCOS（全卷积单阶段），它将检测视为逐像素预测问题，这些模型表明无锚点方法可以在COCO等数据集上实现最先进的结果，导致在后续研究中被广泛采用。
##核心原理
无锚点检测器通常分为两类：关键点基和中心基，关键点基方法，如CornerNet和ExtremeNet，识别对象上的特定点（如角点或极值点）然后对它们进行分组以形成边界框，中心基方法，如CenterNet和FCOS，预测每个对象的中心，然后回归从中心到边界框边缘的距离，FCOS还预测中心度分数，以降低远离对象中心的低质量预测的权重，这些方法通常使用全卷积网络并操作于密集特征图，使其与像神经网络和深度学习框架这样的现代深度学习架构自然兼容。
一个关键优势是消除了锚点匹配过程，该过程可能复杂且计算密集，在锚点基方法中，训练期间，每个锚点必须根据交并比（IoU）阈值分配一个真实对象或背景标签，无锚点方法则根据空间位置分配标签，例如像素是否落在对象的中心区域内，这简化了训练目标并可能导致更快收敛。
显著架构
几种无锚点架构已变得有影响力，CornerNet（2018年）引入了预测左上角和右下角角点的热图，以及用于将属于同一对象的角点分组的嵌入，CenterNet（2019年）通过预测对象中心的单一热图并回归宽度和高度来简化这一点，FCOS（2019年）将检测表述为密集预测任务，其中每个像素在位于对象中心区域内时预测一个边界框，后来的模型如RepPoints（2019年）和DETR（2020年）进一步推动了边界，DETR使用Transformer架构，将对象检测视为集合预测问题，完全消除了锚点和非极大值抑制等手工组件，这些模型已被集成到各种应用中，包括自动驾驶和医学影像。
##优势与挑战
无锚点检测器提供了几个好处，它们减少了超参数数量，使其更易于调整和部署，它们也往往具有更简单的流程，在GPU等硬件上可能更高效，此外，它们对异常对象形状或尺度更具适应性，因为它们不依赖预定义的锚点形状，然而，它们也面临挑战，关键点基方法可能在对象重叠或关键点模糊时遇到困难，中心基方法可能难以处理非常大或非常小的对象，因为中心区域可能定义不佳，此外，一些无锚点方法仍需要后处理步骤，如分组或非极大值抑制，这可能成为瓶颈。
##应用与影响
无锚点检测已在现实世界系统中被广泛采用，在自动驾驶中，检测行人、车辆和交通标志至关重要，无锚点方法对变化的对象大小和形状提供了鲁棒性，在监控和机器人中，无锚点模型的简单性促进了边缘设备上的实时处理，像Waymo和特斯拉自动驾驶这样的公司已探索此类技术用于感知栈，这一概念也影响了其他任务，如实例分割和姿态估计，其中应用了类似的直接预测原理，截至2025年，无锚点方法已成为现代对象检测框架中的标准组件，通常与锚点基技术结合在混合方法中。
##另见