CornerNet-Lite论文阅读

论文地址：https://arxiv.org/abs/1904.08900
开源代码：https://github.com/princeton-vl/CornerNet-Lite

简介

CornerNet-Lite在CornerNet的基础之上，提出了轻量版，在尽量保证原检测精度的基础之上，通过两种方式提高检测的速度，以期达到实时监测的需求。CornerNet-Lite包含两个版本。

1. CornerNet-Saccade

通过减少要处理的像素数量来加快推理的速度。使用了类似于人类视觉扫视的注意力机制。它以缩小的完整图像开始，并生成一个关注图，然后将其放大，并由模型进行进一步的处理。这与原始的CornerNet的不同之处在于，它可以在多个尺度上进行全卷积。通过选择剪裁的子集来进行高分辨率的检测，CornerNet-Saccade在提高速度的同时提高了精度。COCO上达到43.2%AP，每个image190ms。比CornerNet提高了1%的AP，速度快了6倍。

2. CornerNet-Squeeze

通过减少每个像素的处理量来加快推理速度，它融合了SqueezeNet和MobileNets的想法，并介绍了一种新的紧凑型hourglass主干网络，该网络充分使用了1x1卷积、瓶颈层（bottleneck）和深度可分离卷积。使用了新的hourglass网络，CornerNet-Squeeze在COCO数据集上达到34.4%的AP，30ms。与YOLOv3的（33% at 39ms）相比更快更准一些。

但是当将Squeeze与Saccade结合的时候，其精度和准确度都有比Squeeze有所下降。这是因为，要想使用到Saccade的优势，需要生成足够准确的注意力图，但是Squeeze的紧凑结构并没有这样的额外能力。此外，原始的CornerNet可在多个比例上应用，这为Saccade提供了足够的空间来减少处理的像素的数量。而相反的是，由于超紧（？）的推理运算Squeeze已在单个scale上应用，这为Saccade节省了更多的空间。

创新性

这两种变体使得基于关键点的方法更有竞争力，涵盖了如下的两个用例：

• CornerNet-Saccade用于离线处理，可以在不牺牲准确率的情况下提高效率。
• CornerNet-Squeeze用于实时处理，…

创新点：

• Saccade是首个将saccade与基于关键点的目标检测相结合的方法。其与之前工作的主要区别在于如何处理每个crop（pixels或feature map）。Saccade可以使用单阶段网络对每个crop进行多个检测。

CornerNet-Saccade produces multiple detections per crop with a single-stage network.

• Squeeze是第一个将SqueezeNet与堆叠hourglass相结合并应用于目标检测。