CornerNet Lite

CornerNet-Saccade

single type and multi-object

减少处理的像素的个数来提高inference的效率

通过attention map找到合适大小的前景区域，然后crop出来作为下一阶段的精检图片

CornerNet-Saccade 预测3张attention maps, 分别用于小尺寸(the longer side of its bounding box is less than 32 pixels)、中尺寸(between 32 and 96 pixels)、大尺寸目标(greater than 96 pixels)。单独预测不同尺寸的目标有助于我们更精确的控制放大比例。在hourglass module的上采样阶段预测attention maps，小尺寸目标使用细粒度特征图，大尺寸目标使用粗粒度特征图。在测试时，仅需处理分数大于阈值 t 的位置，作者设置t = 0.3。在训练过程中，我们将attention maps上每个边界框的中心位置设置为positive，其余为negative。

检测目标：从attention maps获得的locations，作者为不同的目标尺寸设置不同的放大因子：  。对于每一个潜在位置根据物体大小用相应的放大因子来放大，将 CornerNet-Saccade 应用在一个 255×255的窗口上，窗口的中心就是该位置。

hourglass backbone network——Hourglass-54代替CornerNet中使用的Hourglass-104

CornerNet-Squeeze

轻量级的Hourglass architecture

1. 将部分3x3卷积核替换为1x1卷积核【SqueezeNet】
2. 削减3x3卷积的输入通道数【SqueezeNet】
3. 延迟下采样

 

 

 

 

• CornerNet-Lite/core/dbs目录，参照coco.py 构建自己的数据读取接口   如table_cell.py
  • self._coco_cls_ids 类别
  • self._coco_cls_names 类别对应名称
  • coco_dir 对应table_cell.py
  • self._split = {
    "trainval": "train",
    "minival": "val",
    "testdev": "test"}  对应文件夹名称
• 修改CornerNet-Lite/core/dbs下的__init__.py，指向table_cell中定义的数据接口类：
  • from .table_cell import COCO
• 修改CornerNet-Lite/config下的配置文件CornerNet_Saccade.json，做如下配置修改：

  • "batch_size": 8,
    "chunk_sizes": [4，4]
    "categories": 2, 

• 修改CornerNet-Lite/core/dbs/detection.py   self._configs["categories"] = 2 类别数目根据自己数据集修改
• 修改CornerNet-Lite/core/models/CornerNet_Saccade.py

  • tl_heats = nn.ModuleList([self._pred_mod(2) for _ in range(stacks)])
    br_heats = nn.ModuleList([self._pred_mod(2) for _ in range(stacks)])

• python train.py CornerNet_Saccade