Anchor-free目标检测系列2-CornerNet-Lite解读

最新推荐文章于 2024-08-10 07:57:43 发布

Sesen_s

最新推荐文章于 2024-08-10 07:57:43 发布

阅读量1.2k

点赞数

分类专栏：学习笔记目标检测

本文链接：https://blog.csdn.net/weixin_40546602/article/details/98591877

版权

CornerNet-Lite是目标检测算法中速度和精度的最佳平衡，结合了CornerNet-Saccade和CornerNet-Squeeze的优点。CornerNet-Saccade通过注意力机制减少处理像素量，提高检测速度，而CornerNet-Squeeze则通过轻量级网络结构提升效率。实验表明，CornerNet-Lite在精度和速度上超越了YOLOv3。

摘要由CSDN通过智能技术生成

CornerNet-lite（左上角点+右下角点）

CornerNet-Lite: Efficient Keypoint Based Object Detection

（2019.4.19）

论文与Cornernet论文作者相同，都是由普林斯顿大学的几位学者提出。截止2019年4月份，CornerNet-Lite 应该是目标检测（Object Detection）中速度和精度trade-off的最佳算法。在精度上超越原来的Cornernet（速度是原来的6倍），在实时检测器领域无论是速度还是精度都超越yolov3（34.4% AP at 34ms for CornerNet-Squeeze compared to 33.0% AP at 39ms for YOLOv3 on COCO）。CornerNet-Lite是CornerNet的两种有效变体的组合：CornerNet-Saccade和CornerNet-Squeeze，前者使用注意机制（attention）消除了对图像的所有像素进行处理的需要，将CornerNet单阶段检测器变为两阶段检测器，attention maps作用类似与fasterrcnn中的rpn但又有所不同，将roi区域crop下来进行第二阶段的精细检测，该网络与cornernet相比达到精度提升；后者引入新的紧凑骨干架构的CornerNet-Squeeze，主干网络实为hourglass network、mobilenet、squeezenet结构的变体，在实时检测器领域达到速度和精度的双重提升。具体比较可看下图figure1：