目标检测基于中心点：CenterNet Keypoint Triplets for Object Detectiontection

参考文献：https://arxiv.org/abs/1904.08189
代码实现：https://github.com/Duankaiwen/CenterNet

截至目前2019.04.19，CenterNet应该是one-stage目标检测方法中性能（精度）最好的方法!

CenterNet: Keypoint Triplets for Object Detectiontection

摘要

在目标检测中，基于关键点的方法经常会遇到大量不正确的边界框，主要是由于缺少对裁剪区域的额外监督造成的。本文提出了一种有效的解决方案，以最小的成本探索每个裁剪区域内的视觉模式。本文提出的CenterNet是一个单阶段的关键点检测模型，将每个目标物看作是一个三个关键点，而不是一对关键点，从而提高了精确度和召回率。相应地，我们设计了两个模块cascade corner pooling和center pooling，分别起到丰富左上角、右下角收集的信息和在中心区域提供更多可识别信息的作用。在MS-COCO数据集上，CenterNet实现了47%的AP，其性能优于现有的单阶段检测器至少4.9%。同时，CenterNet具有更快的推理速度，其性能与排名第一的两阶段检测器相当。

1 引言

基于锚框的目标检测算法缺点： 借助于深度学习中的卷积神经网络（CNNs），目标检测得到了显著的改进和提高[11]。目前最流行的是基于锚框的目标检测算法[10，12，27，31，33]，它设置了一组具有预定义大小的矩形，并借助ground-truth修正位置。此方法通常需要大量的锚框来确保与ground-truth的IoU足够高（导致了正负样本不均衡），并且每个锚框的大小和长宽比需要手动设计。另外，锚点通常不与ground-truth框对齐，这不利于边界框的分类任务。

基于角点的CornerNet的局限性： 为了克服锚框的缺点，提出了一种基于关键点的目标检测算法CornerNet[20]。它通过一对角点来表示每一个目标，进而移除了锚框，达到了单阶段目标检测的最新精度。然而，CornerNet缺乏对目标全局信息的参考，仍然具有局限性：每个目标由一组关键点组成，算法对边界框比较敏感；无法确定哪组关键点属于同一个目标物。因此，如图1所示，经常产生一些不正确的边界框，其中大多数边界框可以很容易地用补充信息（例如长宽比）过滤掉。

提出CenterNet：为了解决这个问题，我们在CornerNet上增加了一个观察每个区域的视觉模式的功能，进而判断每个边界框的正确性。在本文中，CenterNet通过增加一个关键点来探索proposal中间区域（近似几何中心）的信息，我们的直觉是，如果一个预测的边界框与ground truth框有很高的IoU，那么中心关键点被预测为同一类的概率就很高，反之亦然。因此，在推理过程中，当通过一组关键点产生了一个边界框，我们继续观察是否具有同类别的一个关键点落入区域的中心，即使用三个点表示目标。如图1所示，其思想是使用3个（而不是一对）关键点来表示每个边界框。

提出center pooling和cascade corner pooling： 为了更好地检测中心关键点和角点，我们分别提出了两种丰富中心和角点信息的方法。(1)center pooling：用于预测中心关键点，有利于获得更多目标物的中心区域，进而更易感知proposal的中心区域。通过取中心位置横向与纵向响应值的和的最大值实现此方法。(2)cascade corner pooling：增加原始corner pooling[20]感知内部信息的能力，结合了feature map中目标物内部及边界方向的响应值和的最大值来预测角点。实验证明，这种双向混合方法更稳定，对特征级噪声更具鲁棒性，有助于提高查准率和查全率。

性能评估： 我们在MS-COCO数据集[25]上评估了CenterNet，获得了47%的AP，大幅度超过了所有已知的单阶段检测方法。使用52层沙漏骨干网络[29]的平均推断时间为270ms，使用104层沙漏骨干网[29]的平均推断时间为340ms。CenterNet相比于两阶段检测器高效，相比于单阶段检测器时间略慢，与其他两阶段检测器的最新性能非常接近。

2 相关工作

目标检测包括目标的定位和分类。在深度学习时代，以深度卷积神经网络为基础的目标检测方法大致可以分为两种，即两阶段方法和一阶段方法。

两阶段方法将目标检测任务分为两个阶段：提取ROIs，然后对ROIs进行分类和回归。
R-CNN[11]使用选择性搜索方法[42]在输入图像中定位ROIs，并使用基于DCN的区域分类器对ROIs进行独立分类。SPPNet[13]和Fast-RCNN[10]通过从特征映射中提取ROIs来改进R-CNN。Faster-RCNN[33]通过引入RPN（区域建议网络）进行端到端的训练。RPN可以通过回归锚框来生成ROIs，后来，锚框被广泛应用于目标检测任务中。Mask RCNN[12]在Faster-RCNN上添加了一个Mask预测分支，它可以同时检测对象和预测它们的Mask。R-FCN[6]用位置敏感的得分图代替完全连接的层，以更好地检测对象。Cascade R-CNN[4]通过训练一系列具有递增IoU阈值的检测器来解决训练时的过度拟合和推断时的质量不匹配问题。[40,28]提出了基于关键点的目标检测方法，避免了锚框和包围盒回归的缺点。针对目标检测中的不同问题，提出了其他有意义的工作，如[47，21]关注体系结构设计，[1，9，36，44]关注上下文关系，[22，3]关注多尺度统一。

单阶段方法移除了RoI提取过程，直接对候选锚框进行分类和回归。
YOLO[31]使用较少的锚框（将输入图像分成S×S网格）进行回归和分类。YOLOv2[32]通过使用更多的锚框和新的边界框回归方法改进了性能。SSD[27]将锚框密集地放置在输入图像上，并使用来自不同卷积层的特征对锚框进行回归和分类。DSSD[8]在SSD中引入了一个反褶积模块，将低层和高层特征结合起来。而R-SSD[17]在不同的特征层中使用池和反褶积操作来组合低层和高层特征。RON[19]在有效提取多尺度特征之前，提出了反向连接和目标性。RefineDet[45]对锚框的位置和大小进行了两次优化，继承了单阶段和两阶段方法的优点。CornerNet[20]是另一种基于关键点的方法，它使用一对角点直接检测对象，CornerNet虽然取得了很高的性能，但仍有较大的改进空间。

3 我们的方法

3.1 基线和动机

CornerNet基线的基本思想： 本文以CornerNet[20]为基线。为了检测角点，CornerNet生成左上角、右下角热图，热图表示不同类别的关键点的位置，并为每个关键点指定一个置信分数。此外，它还预测每个角点的嵌入和一组偏移，嵌入用于标识两个角是否来自同一对象，偏移将学习如何将角从热图重新映射到输入图像。为了生成目标边界框，首先从热图中根据得分分别选择左上角和右下角，然后计算角点对嵌入向量的距离，确定角点对是否属于同一对象，如果距离小于阈值，则生成对象边界框。

CornerNet的缺点： 在表1中，我们对CornerNet进行了更深入的分析。我们计算了MS-COCO验证数据集上CornerNet的FD（错误发现）率，定义为不正确边界框的比例。结果表明，即使在IoU阈值较低的情况下，错误的边界框仍占很大比例，例如CornerNet在IoU=0.05时获得32.7%的FD率。这意味着，平均每100个目标边界框中有32.7个目标与ground-truth的IoU低于0.05。小目标的错误边界框更多，达到60.3%的FD率，其中一个可能的原因是CornerNet无法查看边界框内的区域。为了使CornerNet[20]感知边界框中的视觉模式，一个潜在的解决方案是将CornerNet调整为两阶段检测器，该检测器使用RoI池[10]来观察边界框中的视觉模式。然而，众所周知，这样的范例在计算上是昂贵的。


提出CenterNet的基本思想： 在本文中，我们提出CenterNet来探索每个边界框内的视觉模式。为了检测目标，我们使用三个关键点，而不是一对关键点。我们的方法仍然是一个单阶段检测器，但部分继承了RoI池的功能，只关注中心信息使得成本最小。同时，利用center pooling and cascade corner pooling，进一步将对象内部的视觉模式引入到关键点检测过程中。

3.2 三个关键点的目标检测

CenterNet的整体网络结构如图2所示，用一个中心关键点和一对角点来表示每个对象，在CornerNet的基础上增加了中心关键点的热图，并预测了中心关键点的偏移量，然后使用CornerNet[20]中提出的方法选择前K个边界框。为了剔除不正确的边界框，利用检测到的中心关键点位置并对其按如下过程进行排序操作：（1）根据得分选择top-k中心关键点；（2）使用相应的偏移量将这些中心关键点重新映射到输入图像；（3） 为每个边界框定义一个中心区域，并检查中心区域是否存在中心关键点，同时选中的中心关键点的类标签应与边界框的类标签相同；（4）如果在中心区域中检测到中心关键点，我们将保留边界框，用三个点的平均分数，即左上角、右下角和中心关键点更新边界框的分数。如果在中心区域中未检测到中心关键点，则删除边界框。

定义尺度感知的中心区域： 边界框中中心区域的大小会影响检测结果，例如小中心区域导致小边界框的召回率较低，而大中心区域导致大边界框的精度较低。因此，我们提出了尺度感知的中心区域用于适应不同尺寸大小的目标，尺度感知中心区域倾向于为小边界框生成相对较大的中心区域，而为大边界框生成相对较小的中心区域。假设我们判断一个边界框$i$是否保留，$t{l}_x$和$t$