CornerNet: Detecting Objects as Paired Keypoints （anchor free）解读
CSDN地址：https://blog.csdn.net/hancoder/article/details/94066206
知乎：https://zhuanlan.zhihu.com/p/71411741
文章目录
1.背景
之前目标检测器基本都是基于anchor来预测得分和坐标，如faster rcnn等。
cornerNet之前方法使用anchor的缺点：
- 为了有某anchor与gt有足够的IOU，anchor需要anchor太多，但是只有小部分anchor是与gt匹配的，也就是正负样本不平衡问题
- anchor引入了超参，如anchor数量大小、比率与特征图预测的stage。
1.1 论文亮点：
作者Hei Law，Jia Deng
- 将目标检测问题当做关键点检测问题：通过检测目标框的左上角和右下角两个关键点得到预测框，因此CornerNet中没有anchor的概念
- 使用一个分支输出embedding vector，帮助判断top-left与bottom-right之间的匹配关系
- 提出了Corner Pooling，因为检测任务的变化，传统的Pooling方法并不是非常适用该网络框架，自然界的大部分目标是没有边界框也不会有矩形的顶点
- 检测网络的训练是从头开始的，不基于预训练的分类模型。这使用户能够自由设计特征提取网络，不受预训练模型的限制。
1.2 核心思想cornerNet
本文主要思路其实来源于一篇多人姿态估计的论文。简要介绍一下姿态估计：基于CNN的2D多人姿态估计方法，通常有2个思路（Bottom-Up Approaches和Top-Down Approaches）：
- Top-Down framework：就是先进行行人检测，得到边界框，然后在每一个边界框中检测人体关键点，连接成每个人的姿态，缺点是受人体检测框影响较大，代表算法有RMPE（alphapose）；
- Bottom-Up framework：就是先对整个图片进行每个人体关键点部件的检测，再将检测到的人体部位拼接成每个人的姿态，代表方法就是openpose。
CornerNet中anchor的提出是受了Newell的人体姿态检测的影响。在Newell的Associative Embedding: End-to-End Learning for Joint Detection and Grouping这篇论文里面，他提出了人体姿态检测的一站式的bottom-up方法， 可以用于多人姿态检测和目标分割。Associative Embedding有如下特点：
- 虽然仍然使用的是bottom-up的方式，但是在此之前多人姿态检测方法大多用的是先检测关节点，然后分组；目标分割是检查相关像素然后分组；多目标追踪是检测个体然后分成不同轨迹。所以这些方法一般都是Two-stage的流程。但是这种方法不是最优的，因为检测和分组是密切相关的。比如在多人姿势识别中，相同的特征图被用作识别手腕和肘部，这也暗示了无论是手腕还是肘部都属于同一个肢体。
- 而Newell认为可以将两个阶段用嵌入向量（Embedding vector）连接起来，将检测和分组合并到一个过程，构建完全端到端网络的过程（简言之就是可以合并loss）。核心思想是为每个检测（物体）引入一个编码向量，编码被用作分组tag。有相同tag的检测属于同一group。
核心思想1：CornerNet基于Associative Embedding中预测人体关节点的想法，把关节点换成anchor的左上点和右下点，那么我们就将画anchor框的方式转变为左上角（top-left角点）和右下角（bottom-right角点），而之前目标检测算法是用anchor的中心点和宽、高来描述anchor。这个想法的实现不是很难，之前的方法我们可以想到全卷积FCN，不断卷积，输出和输入图像相同大小的卷积图，让通道数等于类别即可，我们就知道了每个像素点对应的类别概率。cornerNet中也是大概这种思路，最后通道数为：有左上角点和右下角点2种可能性×每种角点的每个类别的概率。实际操作的时候不同之处只是把2×C个串联通道分成了两个并联的C通道，即最后预测了两个corner角点heatmaps来确定anchor：在每个角点heatmap有C个通道，代表C个类（不含背景类），heatmap大小是H×W。既然是类，代表就可以通过这个heatmap来表示每个像素上对应类别的概率。如果加上一个mask，即有了真值ground truth，那么我们可以很容易算出预测值与真实值之间的差距，让网络通过loss不断学习从而形成好的预测结果。
核心思想2：那么，这就遇到了另一个问题----哪两个角点组成一个anchor。作者在associative embedding论文中受到了启发，检测环节直接给检测结果编号，表明它属于哪个物体，所得到的这些编号标签就代表了分组。如下图，绿色中最高的概率形成了坐框，橙色中最高的概率形成了右框。这个部分loss的设计初看可能有些困难，但我们现在只需要知道我们的label是很好赋的即可，让loss促使同一物体有相同标签，不同物体标签不同。还需注意的是如果简单地编号123…7，那么如果我们用平方和MSE进行计算的话，1和7的差距明显比1和2的差距大，所以我们需要在loss上面下点功夫，让编号标签统一认为距离超过1即是不同物体，超过1loss不再增加。loss的设计后面再讲。
核心思想3：上面的分析似乎是在输入图像大小==输出特征图大小的基础上进行的，这无疑会消耗电脑的内存，增加训练成本，如何让输出图像小一点也能达到差不多的效果呢？作者给出的思路是offset，即让网络学习偏移量大小。详见loss部分。
2.框架
简单看一下框架。最后那个放大框只是放大了左上角点的模块，右下角点也有同样的结构。下面从输入分析框架。
2.1 输入
网络输入的图像大小为511×511，通过stride=2，channel=128的7×7conv和stride=2，channel=256的residual block，共下采样4倍，输入到backbone中的图像大小是128×128×256。这样预测结果像素与像素之间就不对应了，对此解决方法是后面的offset loss
2.2 backbone：hourglass沙漏网络
特征提取网络也就是Backbone使用的是Hourglass网络，这也是从人体姿态估计处借用来的灵感。沙漏网络在关键点检测上已经证明了其有效性。
沙漏网络即一系列降采样+一系列上采样恢复到输入尺寸，下采样使计算复杂度降低，上采样采用的是最近邻上采样，其中还包含了skip layer，即residual模块用以补充下采样maxpooling丢失的信息。其中没有使用最大池化，而是使用了步长为2的卷积进行下采样了5倍。通道数依次是{256,384,384,384,512}。整个hourglass network的深度是104层。
沙漏结构
本文的backbone是两个Hourglass网络进行串联拼接stack，两个网络的总深度是104。在第一个沙漏网络的输入和输出上添加了3×3的conv+BN，对应元素相加后接着一个Relu和residual。这个结果作为第二个沙漏网络的输入。这里读起来有点混乱，未能弄清。我猜测是不是输入作用3×3作为res分支，另外一个分支经过一系列conv后最后用3×3，然后两个分支相加，不过这不是什么重点。了解其思想借鉴了resnet即可。
不像FPN等，沙漏网络只使用最好一层特征图进行预测，没有在多层上预测。
沙漏模块残差结构
2.3 Prediction Module
网络有两个分支，一个分支预测Top-left Corners，另一个预测Bottom-right corners。下面图相当于只画出了Top-left Corners。
首先一条分支进入Top-left Corners，另一条分支是右下角点。每个分支又分为3个分支：1个分支的作用类似于res模块，另外两个分支是corner pool。
2.3.1 corner pool
CornerPool这是一种新型的池化层，可帮助卷积网络更好地定位边界框的角点。 原理：边界框的一角通常在目标之外，参考下图圆形典型的情况，角点明显不在物体上。
在很多情况下，角点不能根据当前的信息进行定位。相反，为了确定像素位置是否有左上角，我们需要水平地向右看目标的最上面边界，垂直地向底部看物体的最左边边界，这样才能判断当前点能不能代表框的坐上点。 这个过程即corner pooling layer：
简单概括即当前点的值=max{ 该点右面/下面的所有点 }。有个方向计算后的特征图元素相加。可以结合下图验证一下。
2.3.2 角点概率+角点分组+位置修正
在上面corner pool相加的结果上，即上面三个分支合并后又重新分为3个分支：heatmaps用于预测哪些点最有可能是Corners点；embeddings主要预测每个点所属的目标；最后的offsets用于对点的位置进行修正，下面进行详细介绍
- heatmaps：输出预测顶点信息，可以用维度为C×H×W的特征图表示，其中C表示目标的类别（注意：没有背景类），这个特征图的每个通道都是一个mask，mask的每个值（范围为0到1）表示该点是顶点的分数；
- embeddings：用来对预测的corner点做group，也就是找到属于同一个目标的左上角角点和右下角角点，预测每个点所属的目标；受启发于 在人体姿势识别中，Associative Embedding：先检测出人的身体组件joint和每个组件joint的编码向量embedding。组合组件joint的依据编码向量的距离。如果坐上角点和右下角点同属于一个物体，那么他俩直接的编码距离应该小。不属于一个物体编码距离应该大。
- offsets：用来对预测框做微调，这是因为从输入图像中的点映射到特征图时有量化误差，offsets就是用来输出这些误差信息。
可以结合loss函数理解
3.loss
loss总式：
用的是Adam算法
L
=
L
d
e
t
+
α
L
p
u
l
l
+
β
L
p
u
s
h
+
γ
L
o
f
f
L=L_{det}+\alpha L_{pull}+\beta L_{push}+\gamma L_{off}
L=Ldet+αLpull+βLpush+γLoff
α
=
0.1
，
β
=
0.1
，
γ
=
1
\alpha=0.1，\beta=0.1，\gamma=1
α=0.1，β=0.1，γ=1
但是算loss之前必须先了解label是如何赋的，才能计算预测值与真值之间的差距：
3.0 给角点赋label
在论文第六页有如下描述：
对于各个角点，只有一个真值gt是“正位置”positive location，而其他所有的位置（角点）都是负的。在训练过程中，我们并不是同等地惩罚负位置，而是减少了在正位置附近（一个圆半径范围）的负位置的惩罚。这么做的原因是如果一对角点接近他们各自的真值位置，即使没有和正位置完全一对一像素匹配，但在正位置附近也可以推测出来一个好的框，这个框与gt框的IOU足够大。而这个半径r是一个变值，他的作用类似于faster rcnn中的赋label规则：anchor如果与真值box的IOU大于一个阈值0.7，那么认为这个anchor就是正的。
如下图，红色实线框是ground truth，绿色虚线是一个预测框，可以看出这个预测框的两个角点和ground truth并不重合，但是该预测框基本框住了目标，因此也是很好的预测框。我们要将“还不错的框”和“错的框”区别，这就是为什么要对不同负样本点的损失函数采取不同权重值的原因。
实现思路是只要真值框与预测框的交并比IOU大于一个阈值t就可以认为他是不错的角点，这个过程是通过在真值像素上设置半径r实现的。这样只要让阈值t大于0.7，即可求得半径r。即半径是根据圆圈内的角点组成的框和ground truth的IOU值大于0.7而设定的。在半径范围内的y值符合高斯分布：
另 σ = 1 3 r σ=\frac13r σ=31r，即可根据 e − x 2 + y 2 2 σ 2 e^{-\frac {x^2+y^2}{2σ^2}} e−2σ2x2+y2给正位置附近的负位置赋label。（简单验证一下x=0,y=0时应该赋label=1）
3.1.detection loss
检测loss即第一个分支的分类loss借鉴了focal loss。
L
d
e
t
=
−
1
N
∑
c
=
1
C
∑
i
=
1
H
∑
j
=
1
W
=
{
(
1
−
p
c
i
j
)
α
l
o
g
(
p
c
i
j
)
i
f
：
y
c
i
j
=
1
(
1
−
y
c
i
j
)
β
(
p
c
i
j
)
α
l
o
g
(
1
−
p
c
i
j
)
o
t
h
e
r
w
i
s
e
L_{det}=\frac {-1}N\sum_{c=1}^C\sum_{i=1}^H\sum_{j=1}^W= \begin{cases} (1-p_{cij})^α log(p_{cij}) & if ：y_{cij} = 1 \\ (1-y_{cij})^β (p_{cij})^α log(1-p_{cij})& otherwise \end{cases}
Ldet=N−1c=1∑Ci=1∑Hj=1∑W={(1−pcij)αlog(pcij)(1−ycij)β(pcij)αlog(1−pcij)if：ycij=1otherwise
- pcij表示预测的heatmaps在第c个通道（类别c）的(i,j)位置的值，
- ycij表示对应位置的ground truth，
- N表示图中目标的数量。
- ycij=1时候的损失函数容易理解，就是focal loss，α参数用来控制难易分类样本的损失权重；有focal loss成分不懂的可以读几行下下段的内容。
- ycij等于其他值时即表示(i,j)点不是类别c真值的目标角点，照理说此时ycij应该是0（大部分算法都是这样处理的），但是这里ycij不是0，而是如之前介绍的用基于ground truth角点的高斯分布计算得到，因此距离ground truth比较近的(i,j)点的ycij值接近1，这部分通过β参数控制权重，这是和focal loss的差别。为什么对不同的负样本点用不同权重的损失函数呢？这是因为靠近ground truth的误检角点组成的预测框仍会和ground truth有较大的重叠面积IOU，
focal loss理解：
- y=1时，
- p越大，log越小，1-p越小，loss越小。被正确样本小的权重，大概效率相当于学习率变小。
- p越小，log越大，1-p越大，loss越大。给错误样本更大的权重，大概效果相当于学习率变大。
- y=otherwise时,
- p越小，1-p越大趋近1（log越小），p×log(1-p)越小。即正确分类loss小
- p越大，1-p越小趋近0（log越大），p×log(1-p)越大。即错误分类loss大
- 如果y接近gt，y越大，1-y越小，即loss变小，gt附近的模棱两可都可以，因为预测box和gt的IOU大于一个阈值即可
- 如果y远离gt，y越小，1-y越大，即loss变大，离gt 远的像素要准确分类，一旦原理gt角点太远，会造成预测box与gtbox的IOU太少
3.2.offset loss
这个值和目标检测算法中预测的offset类似却完全不一样，说类似是因为都是偏置信息，说不一样是因为在目标检测算法中预测的offset是表示预测框和anchor之间的偏置，而这里的offset是表示在取整计算时丢失的精度信息：
从输入图像到特征图之间会有尺寸缩小，取整会带来精度丢失，这尤其影响小尺寸目标的回归，Faster RCNN中的 ROI Pooling也是有类似的精度丢失问题，在Faster rcnn中的解决方式是：保留小数+插值=AlignPool。
假设缩小倍数是n(下采样因子)，那么输入图像上的(x,y)点对应到特征图上位置为： ( ⌊ x k n ⌋ , ⌊ y k n ⌋ ) (\left\lfloor\frac{x_k}n\right\rfloor,\left\lfloor\frac{y_k}n\right\rfloor) (⌊nxk⌋,⌊nyk⌋)
角点k的精度损失o_k为：
o
k
=
(
x
k
n
−
⌊
x
k
n
⌋
,
y
k
n
−
⌊
y
k
n
⌋
)
o_k=(\frac{x_k}n-\left\lfloor\frac{x_k}n\right\rfloor, \frac{y_k}n-\left\lfloor\frac{y_k}n\right\rfloor)
ok=(nxk−⌊nxk⌋,nyk−⌊nyk⌋)
所以通过公式2计算offset，然后通过公式3的smooth L1损失函数监督学习该参数，和常见的目标检测算法中的回归支路类似。L1函数能防止梯度爆炸。
L
o
f
f
=
1
N
∑
k
=
1
n
S
m
o
o
t
h
L
1
L
o
s
s
(
o
k
,
o
^
k
)
L_{off}=\frac 1N \sum_{k=1}^n SmoothL_1Loss(o_k,\hat o_k)
Loff=N1k=1∑nSmoothL1Loss(ok,o^k)
N是目标个数，预测了一套左上角点的offset，还有一套右上角点的offset
3.3.group loss
这部分是受associative embedding那篇文章的启发，简而言之就是**基于不同角点的embedding vector之间的距离找到每个目标的一对角点，如果一个左上角角点和一个右下角角点属于同一个目标，那么二者的embedding vector之间的距离应该很小。**不同目标预测出来的embedding值应当尽可能地远 。
下面的引用的意思是计算量应该尽可能地少；不同物体的标签只要表明不同即可，即之前提到的MSE大小的问题。
associative embedding：为了减少计算量，我们应该避免直接计算每一对关节点之间的损失，相应的，我们对每个人都产生了一个reference embedding，reference embedding的生成方法就是对人的关节点的embedding值取平均。有了reference embedding后，
对于单个人来说，我们计算每个关节点预测的embedding和reference embedding的平方距离；
对于两个不同的人来说，我们比较他们之间的reference embedding，
随着它们之间距离的增加，惩罚将以指数方式降为0. 接下来，我们对这一过程进行形式化。
embedding这部分的训练是通过两个损失函数实现的，
L
p
u
l
l
=
1
N
∑
k
=
1
N
[
(
e
t
k
−
e
k
)
2
+
(
e
b
k
−
e
k
)
2
]
,
L
p
u
s
h
=
1
N
(
N
−
1
)
∑
k
N
∑
j
=
1
J
≠
k
N
m
a
x
(
0
,
△
−
∣
e
k
−
e
j
∣
)
L_{pull}=\frac 1N\sum_{k=1}^N [(e_{tk}-e_k)^2 + (e_{bk}-e_k)^2],\\ L_{push}=\frac 1{N(N-1)}\sum_k^N\sum_{j=1 \\J≠k}^Nmax(0,△-|e_k-e_j|)
Lpull=N1k=1∑N[(etk−ek)2+(ebk−ek)2],Lpush=N(N−1)1k∑Nj=1J̸=k∑Nmax(0,△−∣ek−ej∣)
- etk表示属于k类目标的左上角角点的embedding vector，
- ebk表示属于k类目标的右下角角点的embedding vector，
- ek表示etk和ebk的均值。
- 实验中△=1
- Lpull用来缩小属于同一个目标（k类目标）的两个角点的embedding vector（etk和ebk）距离。
- Lpush用来扩大不属于同一个目标的两个角点的embedding vector距离。
embedding loss的理解：
为了更透彻理解这部分，我想先给出人体姿势associative embedding论文的loss函数，同本文一样这部分loss分别pull和push两部分。图中有n个人，每个人有k个节点标签组成姿势。xnk代表第n个人第k个节点的坐标值。k代表每个人有k个节点， h ˉ n \bar hn hˉn为代表第n个人节点标签的平均值。虽然我没有看这部分代码，但我想 h ˉ n \bar hn hˉn应该是学习处理的吧？但也通过gt给了一些group的信息。这样loss的前半部分就通过训练使hnk与 h ˉ n \bar hn hˉn接近，即第n个人的节点的预测标签值应该趋近于第n个人标签的真值平均值。而后半部分联想e-x图像，x越大总体越小，即想让任两个人的标签的平均值尽可能相差地大。但e-x的斜率是逐渐减少的，x到一定程度后就已经接近0了，所以训练会让两个人的标签平均值相差一些即可（超过1）。
继续分析本文的loss函数
L
p
u
l
l
=
1
N
∑
k
=
1
N
[
(
e
t
k
−
e
k
)
2
+
(
e
b
k
−
e
k
)
2
]
,
L
p
u
s
h
=
1
N
(
N
−
1
)
∑
k
N
∑
j
=
1
J
≠
k
N
m
a
x
(
0
,
△
−
∣
e
k
−
e
j
∣
)
L_{pull}=\frac 1N\sum_{k=1}^N [(e_{tk}-e_k)^2 + (e_{bk}-e_k)^2],\\ L_{push}=\frac 1{N(N-1)}\sum_k^N\sum_{j=1 \\J≠k}^Nmax(0,△-|e_k-e_j|)
Lpull=N1k=1∑N[(etk−ek)2+(ebk−ek)2],Lpush=N(N−1)1k∑Nj=1J̸=k∑Nmax(0,△−∣ek−ej∣)
N代表gt框的个数，ek代表第k个框左上和右下编码向量（标签值）平均值。△=1。
对于pull函数：即让etk和ebk接近于ek，趋向于相同值，这样左上和右下标签值指向同一标签，被分作一个框。
对于push函数：有N个gt框，作者想让gt框两两作差，实现不同框的标签值不同，即有N(N-1)个差值。△=1，k和j是不同值，那么训练让不同的框的左上右下标签【平均值】|ek-ej|相差最少1以上。因为两个框之间标签的距离大小是无必要很大的，只要距离大于1让网络可以得出不是相同框的结论即可。即，如果ek和ej相差1以内，那么max函数的结果是1-|ek-ej|是一个大于0的数，loss还会让训练继续使loss趋向于0。当ek和ej相差1以上，1-|ek-ej|小于0，max整体的结果恒为0，所以相当于ek和ej相差1以后网络不再关心这两者的差值，转为关心其他两两框的差值。但其实这个过程是同步的。
3.4.训练
没有预训练，输入511×511，输出128×128
α=0.1，β=0.1，γ=1是各个L的权重。α和β比1大效果会不好
49batchsize，10GPU。
4.结果
在MS COCO上实现了42.1%的AP
5.cornerNet好处原因：
我们假设了两个原因，为什么检测角点会比检测边界框中心或proposals更好。
- 1）anchor boxes的中心点难以确定，是依赖于目标的四条边的，但是顶点却只需要目标框的两个边，所以角点更容易提取，而且还使用了corner pooling，因而表现比anchor好。
- 2）采用了更加高效的空间检测框机制，顶点可以更有效地提取离散的边界空间，这里只使用O(w∗h)个角点就代表了O(W2∗h2)的可能检测框anchor box。
附录：
附1：glasshour沙漏网络
本文使用的初级模块称为Residual Module，得名于其中的旁路相加结构（在这篇论文中2称为residual learning）
第一行为卷积路，由三个核尺度不同的卷积层（白色）串联而成，间插有Batch Normalization（浅蓝）和ReLU（浅紫）；
第二行为跳级路，只包含一个核尺度为1的卷积层；如果跳级路的输入输出通道数相同，则这一路为单位映射。
所有卷积层的步长为1，pading为1，不改变数据尺寸，只对数据深度（channel）进行变更。
Residual Module由两个参数控制：输入深度M和输出深度N。可以对任意尺寸图像操作。
上下两个半路都包含若干Residual模块（浅绿），逐步提取更深层次特征。但上半路在原尺度进行，下半路经历了先降采样（红色/2）再升采样（红色*2）的过程。
降采样使用max pooling，升采样使用最近邻插值。
一阶Hourglass
二阶Hourglass
四阶Hourglass
每次降采样之前，分出上半路保留原尺度信息；
每次升采样之后，和上一个尺度的数据相加；
两次降采样之后，使用三个Residual模块提取特征；
两次相加之间，使用一个Residual模块提取特征。
附2：多人姿态检测
附2.1 associative bedding
这里主要引用其他解读文章较为出色的总体话语。
为了将检测结果对应到个人，作者使用非极大值抑制（non-maximun suppression）来取得每个关节heatmap峰值，然后检索其对应位置的标签，再比较所有身体位置的标签，找到足够接近的标签分为一组，这样就将关节点匹配单个人身上
为了减少运算量，我们应该避免直接计算每一对关节点之间的损失，相应的，我们对每个人都产生一个reference embedding，reference embedding的生成方法就是对人的关节点的embedding值取平均。有了reference embedding后，对于单个人来说，我们计算每个关节点预测的embedding和reference embedding的平方距离；对于两个不同的人来说，我们比较他们之间的reference embedding，随着它们之间距离的增加，惩罚将以指数方式降为0. 接下来，我们对这一过程进行形式化。
6.参考：
Hourglass：https://blog.csdn.net/shenxiaolu1984/article/details/51428392
扫一扫
8446
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
