缺陷检测组 工作进展 （二）

缺陷检测组 工作进展 （二）

---

时间：2018.10.26
内容：缺陷检测的思路

---

这周主要介绍ECCV 的一篇目标检测的论文—— CornerNet
论文地址：https://arxiv.org/abs/1808.01244
github地址：https://github.com/umich-vl/CornerNet

前言

CornerNet，一种新的物体检测方法，本文使用单个卷积神经网络将目标边界框（bounding box）检测转化为一对关键点对（paired keypoints）的检测，这一对关键点对即待检测目标的左上角点（top-left corner）和右下角点（bottom-right corner）。通过将对象检测转化为成对关键点检测，使得不再需要专门设计anchor boxes，而这之前在one-stage类型的检测器中经常要用到。 除了提出新的算法形式外，本文还引入了一种新的池化方法——corner pooling，它可以帮助网络更好地定位corner。 实验表明，CornerNet在MS COCO数据集上达到了42.1％ AP，优于所有现有的one-stage类型的检测器。

anchor boxes方法

现有基于卷积神经网络的目标检测器都需要使用anchor boxes，它们是各种大小和长宽比的框，其组成目标包围框的候选集，One-stage 目标检测算法是在图像上放置大量的anchor boxes，然后对每一个anchor box最可能是要检测目标打分，最后通过回归调整坐标。

anchor boxes有两大缺点：

1.大量的anchor boxes是不与目标区域重合，这造成了极大的正负样本不平衡，也减慢了训练速度。

2.引入了许多超参数和设计选择，包括需要生成多少个box、大小多少、长宽比如何等，再考虑到往往要支持多尺度检测，使得问题更加复杂。

Corner point

与传统的检测思路用anchor boxes来表示对象位置的方式不同，CornerNet 的方法利用目标矩形区域的左上角点与右下角点来描述一个对象位置。检测思路更加直接，效率更高。

Corner pooling
考虑到角点其实不具有局部的视觉特征（既不是最大值，也不是最小值），因此需要利用目标的整体特征来定位角点。再次基础上，作者创造性地提出了Corner pooling的概念，具体实现了这种检测思路。


上两图为corner pooling示意图，以top-left corner pooling 举例，对于每一个通道，从一个分离的特征图在水平到最右和垂直到最下两个方向找到最大值，并把这两个值相加，得到corner pooling的输出。

实验结果

在MS COCO数据集上进行了实验，CornerNet打败了所有之间的one-stage检测算法，取得了和最好的two-stage检测算法可匹敌的性能。

具体细节未完待续