#Paper Reading# Objects as Points

论文题目: Objects as Points
论文地址: https://arxiv.org/abs/1904.07850
论文发表于: arxiv 2019

论文大体内容：
本文主要提出了CenterNet的方法，来解决object detector中效率低的问题。CenterNet不但能够端到端训练，还能在效率和精度上做trade-off，并且在COCO数据集[1]上取得state-of-art的效果。

Motivation：
传统的object detector往往会产生大量冗余的候选object框，然后再classify它们，最后进行NMS[2]等后处理操作。这样导致整个过程太复杂且效率低下。

Contribution：
本文作者提出CenterNet的方法来提升object detection的效率。CenterNet是一种anchor-free的目标检测方法，直接将目标作为一个点去预测，不使用NMS等后处理操作，而且将这种方法应用到姿态估计和3D目标检测的问题上，取得state-of-art的效果。

1. Object detection的进展：
RCNN：生成大量的候选区域，然后classify每个候选区域是否object，典型的two-stage；
Fast-RCNN：候选集改为候选features集，就不用重复提取特征，提升速度；
Faster-RCNN：使用anchor（3组1:1，1:2，2:1共9个框），提升速度；

2. 本文作者提出的CenterNet能够实现End-to-End的训练，顾名思义，直接寻找目标的中心点（采用关键点估计方法来预测中心点），再根据这个中心点去预测目标的形状、尺寸。

3. 整体的Loss主要有3部分：
①L_k：中心点损失函数，使用了Focal Loss；
②L_off：为了弥补因为输出stride造成的量化误差，作者另外设计了一个局部offset来补偿，其损失函数采用L1 loss；
③L_size：对中心点的损失L1 loss；

4. 代码开源于[5]；

实验
5. Dataset
COCO数据集[1]，是微软团队提供的用于进行图像识别的数据集；

6. 实验结果
trade-off效果；

实际效果；

参考资料： 
[1] https://cocodataset.org/
[2] https://nicehuster.github.io/2018/03/07/nms/
[3] https://nicehuster.github.io/2019/05/07/CornerNet-Objects%20as%20Points/
[4] https://zhuanlan.zhihu.com/p/66048276
[5] https://github.com/xingyizhou/CenterNet

以上均为个人见解，因本人水平有限，如发现有所错漏，敬请指出，谢谢！