Anchor-Free目标检测入门教程（基于高斯热力图）

前言

本文也算是对之前CZII竞赛方案中的无锚点检测内容的补充。CZII方案汇总戳这里~

无锚点（Anchor-Free）目标检测近年来越来越受到关注，最经典的代表算法之一就是 CenterNet。CenterNet 通过预测目标中心点位置的高斯热力图（Gaussian Heatmap）来实现物体检测，不需要预定义的锚框（anchor boxes），使模型结构和训练过程变得更为简单直接。

本教程将带你快速了解其基本思想，并教你如何自己动手实践。

一、Anchor-Free检测基本原理

1. 锚点 vs 无锚点方法：

• 锚点（Anchor-Based）方法： 如 Faster-RCNN, YOLOv3, RetinaNet 等 需要预定义不同尺寸、长宽比的锚框（anchors） 复杂度高，超参数较多
• 无锚点（Anchor-Free）方法： 如 CenterNet, CornerNet, FCOS 等 无需预定义的锚框，直接预测关键点（如中心、边角） 结构简单，训练更直观易懂

2. 为什么使用高斯热力图？

为了让神经网络更好地学习目标位置，Anchor-Free方法通常在目标中心位置放置一个高斯分布，这就是高斯热力图的核心思想：

• 物体中心处热力值最高（接近1）
• 中心周围逐渐降低（类似高斯分布）
• 越远离中心越低，背景处热力值接近0

二、高斯热力图生成步骤（Ground Truth）

我们一步一步讲解如何制作Ground Truth高斯热力图：

【步骤1】确定特征图大小

假设原始图像尺寸为(512, 512)，特征图下采样倍数为4，则：

特征图大小 = (128, 128)

【步骤2】映射物体中心到特征图上

原图上的一个bbox框 (x1,y1,x2,y2)：

center_x = (x1 + x2) / 2 / 4
center_y = (y1 + y2) / 2 / 4

【步骤3】计算高斯半径

实际项目常用固定半径，或按目标大小自适应确定：

radius = 3  # 通常3~7之间，也可按目标大小自动确定

【步骤4】绘制高斯热力图函数（代码）：

import numpy as np

def gaussian2D(shape, sigma=1):
    m, n = [(ss - 1.) / 2. for ss in shape]
    y, x = np.ogrid[-m:m+1, -n:n+1]
    h = np.exp(-(x * x + y * y) / (2 * sigma * sigma))
    h[h < np.finfo(h.dtype).eps * h.max()] = 0
    return h

def draw_gaussian(heatmap, center, radius):
    diameter = 2 * radius + 1
    gaussian = gaussian2D((diameter, diameter), sigma=diameter / 6)

    x, y = int(center[0]), int(center[1])
    height, width = heatmap.shape[0:2]

    left, right = min(x, radius), min(width - x, radius + 1)
    top, bottom = min(y, radius), min(height - y, radius + 1)

    masked_heatmap = heatmap[y - top:y + bottom, x - left:x + right]
    masked_gaussian = gaussian[radius - top:radius + bottom, radius - left:radius + right]
    np.maximum(masked_heatmap, masked_gaussian, out=masked_heatmap)

# 示例使用：
heatmap = np.zeros((128,128))
center_points = [(32, 32), (64, 80)]  # 示例目标中心
for ct in center_points:
    draw_gaussian(heatmap, ct, radius=3)

ps：绘制高斯热力图，与之前提到的对于CZII中的模糊Mask做高斯方程处理一样。（对于模糊目标可以让模型更好的理解。）

三、高斯热力图损失函数（Gaussian Heatmap Loss）

网络预测出热力图后，我们使用热力图损失来优化模型。

常用损失：Modified Focal Loss

• 对真实目标位置（热力图值接近1）高权重
• 对背景位置（热力图值接近0）低权重惩罚

损失代码：

import torch
import torch.nn as nn

class GaussianHeatmapLoss(nn.Module):
    def __init__(self, alpha=2, beta=4):
        super().__init__()
        self.alpha = alpha
        self.beta = beta

    def forward(self, pred, gt):
        pred = pred.clamp(1e-6, 1 - 1e-6)
        pos_inds = gt.eq(1).float()
        neg_inds = gt.lt(1).float()

        neg_weights = torch.pow(1 - gt, self.beta)

        pos_loss = -torch.log(pred) * torch.pow(1 - pred, self.alpha) * pos_inds
        neg_loss = -torch.log(1 - pred) * torch.pow(pred, self.alpha) * neg_weights * neg_inds

        num_pos  = pos_inds.float().sum()
        pos_loss = pos_loss.sum()
        neg_loss = neg_loss.sum()

        loss = (pos_loss + neg_loss) / (num_pos + 1e-4)
        return loss

四、网络预测热力图的流程

通常网络结构：

• Backbone：例如 ResNet、EfficientNet 提取图像特征
• Detection Head：几个卷积层将特征变成热力图（输出shape为(类别数,H,W)）

import torch.nn as nn

class HeatmapHead(nn.Module):
    def __init__(self, in_channels, num_classes):
        super().__init__()
        self.head = nn.Sequential(
            nn.Conv2d(in_channels, 128, kernel_size=3, padding=1),
            nn.ReLU(),
            nn.Conv2d(128, num_classes, kernel_size=1),
            nn.Sigmoid()
        )

    def forward(self, x):
        return self.head(x)

五、推理（Inference）

预测热力图后提取目标：

1. 找到热力图局部最大值点，采用3x3或5x5 maxpool
2. 用阈值过滤

hmax = F.max_pool2d(cls_pred, kernel_size=3, padding=1, stride=1)
keep = (hmax == cls_pred).float()
cls_pred *= keep

#记得结果需要缩放或者偏移。

总结

希望这个教程能助你顺利开启Anchor-Free检测的学习旅程！😊

本内容由GPT4.5辅助完成。 以上采用Heatmap的预测也可采用Unet接口，下次将写一些关于CenterNet的内容，与单纯高斯热力图有些不同。