CornerNet-Lite（COCO，Object Detection）

CornerNet-Lite（COCO，Object Detection）

Abstract

• 基于关键点的检测方法比一阶段模型进度更高，但是付出了时间代价。
• 本文提出实时的cornerNet模型，cornerNet-Lite 模型，包含两个cornerNet的变种：
  1. CornerNet-Saccade（相比cornernet速度提升6x,(速度仍然不够实时),AP 提升1.0%）离线检测
  2. CornerNet-Squeeze（相比YOLOV3AP提升1.4%，速度34ms，YOLOV3 39ms）实时检测

Introduction

• 基于关键点的检测方法中，cornerNet性能最优（2019.4），同时在COCO上的性能超越了一阶段方法
• corner net的主要缺点是推理速度太慢，1.147s 每张。降低分辨率速度可达42ms 接近YOLOV3，但是AP下降严重

提升速度的两种思路：１.　减少像素点　２.减少每个像素点上的操作

两种思路分别对应两个模型：CornerNet-Saccade　和　CornerNet-Squeeze

但是两种模型的结合并不能得到更好的结果

CornerNet-Saccade

[外链图片转存失败(img-IOEePKAN-1567866105042)(C:\Users\Administrator\AppData\Roaming\Typora\typora-user-images\1561100136044.png)]

使用缩小的完整图像作为沙漏网络的输入，得到attention maps上的可能存在目标的地方，和粗略的目标框。然后只对这些目标框做检测，其他区域不考虑，因此减少了计算量

• 首先缩小原图到255和192（长边），192padding到255，方便后面并行处理
• 输入沙漏网络得到的不同尺度的特征图（3个），通过conv(3*3,ReLU) + conv(1 * 1,sigmod)得到 3个attention maps，分别对应小（32）中（32-96）大（96）目标
• 在attention maps上得到的候选目标框需要在原图上放大进行检测，放大尺度：小目标放大尺度大于大目标放大尺度
• 将得到的目标框合并然后NMS，通过控制K的数量可以在效率和精度之间trade off
• 骨干网络使用了改进的hourglass沙漏网络，更浅，参数更少
• 在1080Ti（44GB显存）上就可以进行训练，而CornerNet 需要在Titan X (PASCAL) GPUs with a total of 120GB GPU !!!

CornerNet-Squeeze

使用了轻量级的沙漏网络，速度更快，参数更少

noval hourglass network

• 原本的沙漏网络是基于residual blocks的，新的沙漏网络采用fire module 代替，减少参数量
• 把3*3 的标准卷积换成了3 * 3 的深度可分离卷积

实验结果

[外链图片转存失败(img-q2hjzPDE-1567866105044)(C:\Users\Administrator\AppData\Roaming\Typora\typora-user-images\1561104613924.png)]

CornerNet-Saccade

将attention maps 换成GT后AP上升８％，说明Attention　maps还有可以改进的空间

[外链图片转存失败(img-RLhHK29n-1567866105047)(C:\Users\Administrator\AppData\Roaming\Typora\typora-user-images\1561104921108.png)]

CornerNet-Squeeze

性能优于YOLOV3：

[外链图片转存失败(img-0x42oimJ-1567866105049)(C:\Users\Administrator\AppData\Roaming\Typora\typora-user-images\1561105063959.png)]