Anchor-Free系列之CenterNet：Objects as Points_centernet损失函数-CSDN博客

本文链接：https://blog.csdn.net/cxx654/article/details/124241513

CenterNet也是anchor-free的one-stage的目标检测算法，CenterNet与基于anchor的one-stage目标检测算法的主要区别如下：

基于anchor的检测算法首先要按照anchor与目标ground truth的IoU来划分anchor是positive还是negative，然后positive的anchor负责预测对应的目标。CenterNet中没有anchor，只识别目标的中心点，可以理解为目标中心的位置就是一个positive anchor，其他地方都是negative，但是在positive周围的negative惩罚会降低，这点和CornerNet在corner周围划定一个圆形区域类似
由于CenterNet只在目标的中心点位置有一个anchor，对于同一目标不存在冗余的anchor box，所以就不需要使用NMS进行后处理
CenterNet使用了更大分辨率的feature map，更利于小目标的检测

假设输入的图像尺寸是，CenterNet输出的Heatmap尺寸为，R表示输入图像经过网络模型之后的下采样倍数，C表示总体的目标类别数，每个输出通道表示一个类别，通道上的每个数值在[0, 1]之间，表示这个位置是某类目标中心点的概率。数值等于1表示是目标的中心，等于0表示是背景。

目标检测的损失函数：

CenterNet的损失函数由三部分组成，分别是目标中心点预测的置信度损失（加权的Focal Loss）、目标宽和高预测结果的回归损失(L1 Loss)，以及目标中心点坐标偏移量Offset预测结果的回归损失(L1 Loss)。

加权的Focal Loss:

与CornerNet的处理方式类似，CenterNet在positive的周围也划定了一个范围，在范围内的预测结果虽然不够完美，但是也已经很不错，很准确了，所以这部分结果产生的损失就应该小一些，通过对负样本的损失进行加权处理来实现。同时，因为对于一个目标只有一个positive location，其余的全是negative，这就导致了正负样本的极度不均衡，所以CenterNet也采用了Focal Loss损失函数来消除正负样本不均衡的问题。同时在Focal Loss的基础上，加入了对于在positive周围的负样本的加权处理。