2021SC@SDUSC
CenterNet
CenterNet – 核心思想
中心点
检测问题转化为关键点问题,去除anchor
每个位置仅有一个正样本,不再使用NMS
十
物体尺寸
直接预测目标框大小
能够扩展至其他任务
CebterNet – 预测目标中心点的位置
类比Anchor-Based方法
与单阶段anchor-based方法相似,每个中心点可以认为是一个不含shape信息的anchor
每个物体仅有一个正样本点,不再需要NMS,仅通过提取heatmap上最大值的位置即可
采用更大的分辨率进行分析
分配正样本的时候仅依赖位置而不依赖overlap,没有手动区分前景背景的阈值
类比CornerNet
采用相似的关键点检测思路,均使用heatmap思想和focal loss进行训练
采用相似的offset分支,弥补下采样点的位置误差
不需要对关键点进行分组操作
每个物体仅有一个正样本点,就不再需要NMS,我们就可以通过输出的Heatmap去提取局部的最大值,这样我就知道这个区域我要用哪一个点产生的预测框,也就替代了NMS这个相对费时的检测的后处理。
在cornet中只把中心点作为正样本,但是中心点附近的点还是有一些学习价值的,因此也会通过圆形的高斯分布来生成一个监督信息,也就是说越靠近中心点,这个监督信息越接近于1。
CenterNet – 预测不同任务中的不同属性
检测任务中直接预测目标框大小