【论文笔记】Corner Proposal Network for Anchor-free, Two-stage Object Detection

Corner Proposal Network for Anchor-free, Two-stage Object Detection

---

这篇文章来自ECCV2020 oral由中国科学院大学和华为Noah’s Ark Lab实验室
论文链接：https://www.aminer.cn/pub/5f213ebe91e011f62007af97/
开源代码：https://github.com/Duankaiwen/CPNDet

由于程序还未开源，所以这里我先对文章进行我自己的解读，如果有不对的地方希望各位批评指正。

引言

当前所面临的问题

目标物体可以在自然图像中以任何大小(scale)，形状(shape)，位置(position)出现，并且相同的类别可能有着不一样的形状(appearance)。

传统的目标检测算法缺点

1. 检测方法的召回率由其定位不同几何形状的对象（特别是对于不常见的形状）的能力决定的，而anchor-free方法(特别是基于对象边界定位的方法)在这项任务中有较高的召回率。
2. anchor-free方法经常会导致大量误报（即，产生假阳性），于是可以在anchor-free方法中使用单个分类器来提高检测的准确性，较高的准确率。

图1.现有物体检测方法的典型错误。绿色、蓝色和红色边界框分别表示真阳性、假阳性和假阴性。

本文的特点

本文提出一种基于anchor-free的两个阶段的目标检测的方法：

1. 通过寻找潜在的角点以及关键点组合(corner keypoints)找到大量的object proposals；
2. 通过单独的分类阶段给每个proposals分配一个类别标签；
   其中1，2分别回答了什么是anchor-free的方法以及如何采用two-stage方法，接下来的部分作者阐述了为什么要这么做的原因。

方法

CPN(corner proposal network) 通过定位目标的左上角(top-left)和右下角(bottom-right)，然后为其分配类标签来检测目标对象。首先基于CornerNet的关键点目标检测框架进行改进，CPN不是将关键点与关键点特征嵌入分组，而是将所有有效的Corner角点组合枚举为可能的proposals目标对象。
因为采用了枚举，所以会产生大量的proposals objects，其中的绝大部分都是假阳性结果(如果不对该部分进行有效的处理，会带来大量的计算量)。因此需要再训练一个分类器，以根据相应区域的特征，从不正确配对的关键点中区分出真实目标对象。Two-Stage分类有两个步骤，首先是一个二分类的分类器，它过滤掉大部分proposals(即不存在目标对象的proposals)；然后，对筛选后包含目标的proposals对象重新排序类别分数。

Anchor-based or Anchor-free? One-stage or Two-stage?

该部分作者详细介绍了Anchor-based or Anchor-free? One-stage or Two-stage?

Anchor-based vs anchor-free

1. 使用anchor-based的方法faster rcnn的召回率较低，实验发现，物体过大时，特别是对于纵横比为5：1、8：1等情况下，faster rcnn召回率特别低，甚至比anchor-free的方法都低，原因是：这种纵横比没有预定义anchor。

2. FCOS也存在类似的现象，FCOS是一种anchor-free方法，它通过关键点到边界的距离来表示对象。当边界远离中心时，很难预测准确的距离。

3. 实验发现，cornerNet和centerNet就没有这个问题，因为它是将关键点分组到一个对象中，解决了角点对距离的问题。

因此，本文作者选择了anchor-free的方法，特别是选择了 角点对 分组的方法来提高目标检测的召回率。

One-stage vs two-stage