CenterNet: Keypoint Triplets for Object Detection(中心网络:目标检测的三个关键点)
摘要
triplets(三点),而非关键点:中心点,两个角点
cascade corner pooling(级联角点池化)
center pooling(中心点池化)
1 目的
anchor free存在缺点:1往往需要大量锚点从而确保与GT目标有较高的IOU;2框的尺寸和比例需要手动设计;3锚点框往往不与实际框对其,这不利于Bbox做分类任务;
CornerNet 优点:以一对角点方式构建目标,绕过锚点问题,实现one-srage目标检测最好的精度度;
CornerNet 缺点:由于目标的全局信息获取能力较弱,使得其性能受限,也就是说,每个目标由一对角点来表述,导致算法对目标框比较敏感,同时不知道哪些关键点该组成一对来构建成目标。 结果如图1所示,常常产生错误的边界框,如果有补充信息(如宽比例大小)则能简单滤除此类错误。
为了解决上述问题,本文提出:
1、在推理时,通过一对角点关键点得到一个proposal区域,我们通过检测是否有同种类别的中心关键点出现在proposal的中心区域来判断这个proposal是否真的是目标
2、第一个策略center pooling:在预测中心关键点的分支网络中使用
3、第二个策略cascade corner pooling:使得原始corner 破零模块具有感知内部信心的能力。我们通过在特征图上获得目标边界和内部方向最大响应值和来预测角点