本研究提出了一种名为 “Guided Anchoring” 的替代方案，该方案利用语义特征引导区域 anchor 的选择，并成功将其应用在目标检测和 Proposal 方法中，相比 RPN 基线，在 MS COCO 数据集上使用 “Guided Anchoring” 能够在减少 90% anchor 数量的情况下提高 9.1% 的召回率，同时在 Fast R-CNN、Faster R-CNN 和 RetinaNet 中将检测 mAP 分别提高了 2.2％、2.7％和 1.2％。

Jan, 2019

本文提出了一种称为 STARS 的新颖方法，利用确定性可学习的组件（锚点）来提高样本精度和多样性，在不同运动预测器中应用。同时，还提出了一种新的作用增强的空间 - 时间图卷积网络（IE-STGCN），并将锚点集成到其中，以提高对人类运动建模的效果。实验结果表明，该方法在随机和确定性预测方面均优于现有技术水平，是建模人体运动的统一框架。

Feb, 2023

室内场景生成旨在创建与空间合理布局相一致的形状兼容、风格一致的家具摆放。为解决现有方法主要集中于生成可信家具布局而未考虑个别家具细节的问题，我们提出了一个两阶段模型，通过将家具编码为锚定潜在表示法来将形状先验整合到室内场景生成中。通过整合提出的锚定潜在表示法，我们的生成模型能够产生形状兼容和风格一致的家具摆放，并以各种形状合成家具。此外，我们的方法促进了各种人机交互应用，如风格一致的场景补全、物体不匹配修正和可控的物体级编辑。在 3D-Front 数据集上的实验证明，与现有方法相比，即使没有形状检索，我们的方法也能生成更一致和兼容的室内场景。此外，广泛的消融研究验证了我们在室内场景生成模型中设计选择的有效性。

Oct, 2023

本文提出了一种基于深度学习的方法，通过视觉定位，使用锚点来预测场景的位置和摄像机方向或姿态（6 自由度），该方法使用统一定义的锚点并提出了一个深度学习架构，该架构预测场景中存在的最相关的锚点以及相对偏移量，并为该任务提出了一个多任务损失函数，无需基于真实位置信息评定，并在 CambridgeLandmarks 和 7 Scenes 上进行了实验以验证效果。与使用相同的特征提取器的先前最佳深度学习模型 Posenet（具有几何重投影损失）相比，我们的方法提升了室内和室外定位数据集中的中位误差，并在特定情况下，如街景中，将中位误差降低了 8m 以上。

Nov, 2018

本文提出了一种深度网络 AnchorNet，它通过一组过滤器产生了对物体结构的信息，从而在语义匹配方面取得了令人满意的结果，尤其在不同实例和不同物体类别之间的匹配方面。

Apr, 2017

多视角 3D 目标检测是自动驾驶系统的重要组成部分，本文提出了一种名为 MDHA 的稀疏查询框架，使用多视角、多尺度输入构建自适应的 3D 输出提案，通过混合锚点的方式来解决数据集特定初始化和计算效率问题，并成功优于现有基线方法。

Jun, 2024

本研究提出一种基于全局特征引导注意力的二维卷积神经网络和序列解码器来识别场景文本的简单但强大方法，训练时仅使用单词级别的注释，相比循环神经网络，能够在前向和后向传递中获得 1.3x 至 9.4x 不等的加速。在评估的正常和不规则的场景文本基准数据集上实现了最先进或竞争性的识别性能。

Apr, 2019

该论文提出了一种基于物体感知的无锚点跟踪网络，通过直接预测目标对象的位置和规模，以及引入功能对齐模块来从预测的边界框中学习物体感知特征，从而提高跟踪鲁棒性和精度。实验证明，该跟踪器在五个基准测试中均取得了最先进的性能。

Jun, 2020

本文提出了一种名为 FreeAnchor 的学习对应方法来打破目标 - 锚点 IoU 的限制，更新手工制定的锚点分配为自由的锚点匹配，并通过最大似然估计（MLE）过程来实现检测器训练。该方法通过优化检测有效似然来实现，可以与基于 CNN 的检测器插入并组合使用，实验结果表明，FreeAnchor 在 COCO 数据集上表现优异。

Sep, 2019

本文提出了一种名为 MetaAnchor 的新型灵活的锚点机制，它能够从任意自定义的优先框生成锚点函数，并利用权重预测，能够与大部分锚点有关的对象检测系统（例如 RetinaNet）一起使用，并且在锚点设置和边界框分布方面要比预定义的锚点计划更加强韧，同时还具有转移任务的潜力。我们在 COCO 检测任务上的实验证明，MetaAnchor 在各种情况下始终优于其他对照组。

Jul, 2018