Tensorflow2.0---Centernet网络原理及代码解析（一）- 特征提取网络

Tensorflow2.0—Centernet网络原理及代码解析（一）- 特征提取网络

目前，目标检测已经被anchor base类型的网络所承包了，anchor free类型的算法已经越来越少了，最近看大佬的blogTensorflow2 搭建自己的Centernet目标检测平台，就想自己尝试学习下anchor free的内容，先把代码过一遍，然后再总结下原理。

这篇blog，就先把它的特征提取网络看一遍吧~~

---

在centernet中，backbone的选择性比较多，一般常见的有Hourglass Network、DLANet或者Resnet，在代码中有两个选择：Hourglass，Resnet。

#   获取centernet模型
model = centernet(input_shape, num_classes=num_classes, backbone=backbone, mode='train')

在train.py中这一行代码是进行centernet的特征提取网络的创建。

创建一系列INPUT，每个的含义为：

#   hm_true：热力图的真实值       (batch_size, 128, 128, num_classes)
#   wh_true：宽高的真实值         (batch_size, max_objects, 2)
#   reg_true：中心坐标偏移真实值  (batch_size, max_objects, 2)
#   reg_mask：真实值的mask        (batch_size, max_objects)
#   indices：真实值对应的坐标     (batch_size, max_objects)

一、Resnet

https://blog.csdn.net/weixin_44791964/article/details/113682561?spm=1001.2014.3001.5501

C5 = ResNet50(image_input)

最终返回的上图中红色部分，也就是backbone部分，返回的C5的shape为（None,16,16,2048）。然后将C5喂进center head中。

    x = Dropout(rate=0.5)(x)
    #-------------------------------#
    #   解码器
    #-------------------------------#
    num_filters = 256
    # 16, 16, 2048  ->  32, 32, 256 -> 64, 64, 128 -> 128, 128, 64
    for i in range(3):
        # 进行上采样
        x = Conv2DTranspose(num_filters // pow(2, i), (4, 4), strides=2, use_bias=False, padding='same',
                            kernel_initializer='he_normal',
                            kernel_regularizer=l2(5e-4))(x)
        x = BatchNormalization()(x)
        x = Activation('relu')(x)

先对C5进行随机Dropout，目的是避免模型过拟合，然后对输入进行三次连续的上采样，对应于上图中绿色部分。

然后，针对进行上采样之后的x分别对其进行维度上面的调整，最终得到的y1 = (None,128,128,20)，
y2 = （None,128,128,2），y3 = （None,128,128,2）。y1-3所包含的意义为：

   y1：热力图的预测值       (batch_size, 128, 128, num_classes)
   y2：宽高的预测值         (batch_size, 128, 128, 2)
   y3：中心坐标偏移预测值    (batch_size, 128, 128, 2)

二、hourglass

有时间再写吧~~