M-CenterNet：多中心点的CenterNet

点击上方“AI公园”，关注公众号，选择加“星标“或“置顶”

---

导读

本文针对小目标检测，在CenterNet上进行了改进，将CenterNet上的一个中心点改成了4个中心点，取得了不错的效果，改动很小，但很有效。

后台回复：“mcenternet”获取论文下载链接

Tiny Object Detection in Aerial Images

摘要：我们基于CenterNet，提出了一种多中心点的网络（M-CenterNet），可以提升小目标的检测能力，并且实验表明，该方法能够明显提升小目标检测效果。

1. 介绍

本文在CenterNet的基础上进行了改进，我们为每个物体定位多个中心点，并预测多个offset和尺度，我们的实验表明，我们的方法可以有效提升AI-TOD数据集上的表现。

本文的贡献如下：

• 我们介绍了AI-TOD，一个航拍小目标检测数据集，我们实验了当前的最先进的物体检测器在这个数据集上的表现。

• 我们提出了多个中心点的物体检测方法，M-CenterNet，用来做小目标检测，在AI-TOD数据集上在AP和oLRP指标上都达到了最好的效果。

2. 数据集

每个类别的数量：AI-TOD数据集包括700,621个标注目标，8个类别。图2a显示了一些不常见的类别，数量相比于其他常见的类别会少很多，这种类别不均衡的现象在航拍图像中是很常见的，在真实世界中也是很重要的。

每张图的目标数：图2b中可见，每张图中的目标数，最大可到2667个，比其他常见的数据集中要多很多。

物体尺寸的分布：图2c中显示了尺寸分布的情况，大部分都是12个像素左右，见表2，均值和方差为12.8像素和5.9像素，比其他数据集中的尺寸要小很多。

物体尺寸的分类：我们把2~8像素的成为very tiny，8~16像素的为tiny，16 ~ 32像素的为small，32~64像素的为medium，没有大物体。比例分别为：13.3%，72.3%，12.3%，2.1%，具体见图2d。

数据集中的一些样例图像如下：

3. 方法

检测小目标需要比较大的分辨率的特征图，关键点预测网络可以输出高质量的高分辨率的特征图。我们提出的M-CenteNet是在CenterNet的基础上的改进。为了可以达到较好的检测效果，需要预测高质量的包围框，这个包围框需要和GT具有很高的IoU，但是，IoU对于小目标是很敏感的。所以，准确的定位对于提升小目标的检测是很重要的。图3是原始的CenterNet，使用了一个中心点作为gt，红点是特征图上的真实中心点，蓝色点和灰色点在训练的时候被分别作为正样本和负样本。是对应正样本的offset。在这种设计中，最多可能会有4个像素的偏差，因此，预测框和GT的IoU可能会小于0.5，这个物体就会漏掉。

为了解决这个问题，我们使用了多个中心的设计，如图3b所示，我们把4个蓝色点都作为正样本，这4个点分别为：

对应的offset为：

其余的地方和CenterNet保持一致。在推理阶段，我们使用2x2平均池化来找中心点，使用NMS来过滤冗余框。

4. 实验

在评估的时候，我们使用了2个指标，一个是AP，另一个是Optimal Localization Recall Precision (oLRP) ，可以更好的评估定位的能力。oLRP的计算方法如下：

其中：

其中，τ是IoU的阈值，，，分别表示TP，FP和FN的数量。。

需要注意的是，AP的指标是越高越好，而oLRP是个错误指标，越低越好。

表3和表4是基线模型的结果，可以看到，这些方面在AI-TOD上的结果要比COCO上差很多

总体来说，anchor free的方法要更好一些，因为这些方法并不使用IoU来分配正负样本，而小目标又对IoU非常的敏感。M-CenterNet取得了最好的结果。

—END—

请长按或扫描二维码关注本公众号

喜欢的话，请给我个在看吧！