CenterNet: Keypoint Triplets for Object Detection（MS COCO）

最新推荐文章于 2021-10-21 10:12:48 发布

phy12321

最新推荐文章于 2021-10-21 10:12:48 发布

阅读量319

点赞数

本文链接：https://blog.csdn.net/phy12321/article/details/100609610

版权

CenterNet**?* Keypoint Triplets for Object Detection（MS COCO）

CornerNet使用角点进行检测，角点多处于目标外围，没有目标内部的特征，导致很多误检
本文采用三元组关键点：两个角点和一个中心点，有效抑制误检
首先利用左上和右下两个角点生成初始目标框，对每个预测框定义一个中心区域，然后判断每个目标框的中心区域是否含有中心点，若有则保留该目标框，若无则删除该目标框，如图：

[外链图片转存失败(img-V6KkXXhA-1567866176815)(C:\Users\Administrator\AppData\Roaming\Typora\typora-user-images\1561347426587.png)]

提出新的衡量指标FD (false discovery) rate, 此指标能够很直观的反映出误检情况。FD rate 的计算方式为 FD = 1-AP，其中 AP 为 IoU 阈值取[0.05 : 0.05 : 0.5]下的平均精度
cornernet 的问题 : 在判断两个角点是否属于同一物体时，缺乏全局信息的辅助，因此很容易把原本不是同一物体的两个角点看成是一对角点，因此产生了很多错误目标框。解决之道：让网络具备感知物体内部信息的能力（二阶段方法以及本文提出的三元组方法）

[外链图片转存失败(img-mbHLqcCM-1567866176818)(C:\Users\Administrator\AppData\Roaming\Typora\typora-user-images\1561347725858.png)]

Center pooling：提取中心点水平方向和垂直方向的最大值并相加，以此给中心点提供所处位置以外的信息,可通过不同方向上的 corner pooling 的组合实现

[外链图片转存失败(img-yRU3B6NS-1567866176858)(C:\Users\Administrator\AppData\Roaming\Typora\typora-user-images\1561358785290.png)]
Cascade corner pooling : corner pooling 的改进做法。corner pooling 提取物体边界最大值并相加，该方法只能提供关联物体边缘语义信息，对于更加丰富的物体内部语义信息则很难提取到。cascade corner pooling首先提取物体边界最大值，然后在边界最大值处继续向内部(图中沿虚线方向)提取提最大值，并与边界最大值相加，以此给角点特征提供更加丰富的关联物体语义信息

[外链图片转存失败(img-wTeiEqPj-1567866176861)(C:\Users\Administrator\AppData\Roaming\Typora\typora-user-images\1561358921475.png)]

骨干网络使用与cornernet相同的修改的沙漏网络。
CenterNet511-104 的测试速度约为340ms/帧，比 baseline（cornernet）慢约 40ms/帧。但对于更轻backbone，CenterNet511-52的测试速度约为270ms/帧，比CornerNet511-104快约30ms/帧，而且其精度无论是single-scale test 还是 multi-scale test 都比CornerNet511-104高。

消除实验：

错误实验：将检测的中心点用真实的中心点代替，实验结果表明中心点的检测准确度还有很大的提升空间。同时该结果还表明要想更进一步的提升检测精度，需要进一步提升角点的检测精度。

one-stage 方法都无法感知物体内部信息，这是由于 one-stage 直接对 anchor 进行回归和分类，这个过程并没有像 two-stage 方法一样利用到了物体内部特征，因此无法感知物体内部信息。

关注