一、论文
CornerNet: Detecting Objects as Paired Keypoints
论文:https://arxiv.org/abs/1808.01244
代码: https://github.com/princeton-vl/CornerNet
二、笔记
1、背景
a)使用anchors的one stage 方法有两个缺点:(1)大量的anchor box 降低了训练速度,并且存在正负样本不均衡的问题。(2)、另外使用anchor boxes会引入大量的超参数和设计选项
2、创新点
a)、预测一对角点来表示目标框(anchors free)
b)、设计了一个corner pooling layer
c)、修改更新了hourglass 结构,增加了新的focal loss 的变种
先用一个7*7的卷积 stride 2的步长降低四倍原图的分辨率(这好像是使用大尺度输入图片的通用思路,使用大size图片吗,然后在第一个卷进处,大幅度降低分辨率,即提高了图片的输入尺度,又缩小了运算量)
做了对比实验表明hourglass 作为corner net的backbone 相比使用 fpn 有很大的提升表明,基础网络对目标检测的重要性。
更多详细的其他内容可以参见这两篇博客,以及原论文。
https://blog.csdn.net/u014380165/article/details/83032273
https://blog.csdn.net/weixin_40414267/article/details/82379793