《CenterNet：Objects as Points》

论文链接：
https://arxiv.org/pdf/1904.07850.pdf.

1 Background and Motivation

目标检测为许多计算机视觉任务提供动力，比如实例分割、姿态估计、跟踪和动作识别等。它在监视、自动驾驶和视觉问题回答等下游方面都有应用。

当前的物体检测器通过紧密围绕物体的与轴对齐的bounding box 表示每个物体。然后，它们将目标检测减少为对大量潜在目标bounding box的图像分类。对与每个bounding box，分类器决定这个图像的内容属于前景还是背景。大多数成功的目标检测器大概列出了潜在对象位置的详尽列表，并对其进行分类。 这是浪费，低效的，并且需要额外的后处理。

作者提出了一个简单有效的方法，即通过目标bounding box 的一个中心点来表示目标。其他的性质，如：物体大小、维度、3D范围、方向和姿态可以根据中心点位置的图像特征直接回归得到。因此目标检测问题变成了一个标准的关键点估计问题。作者通过把图像输入到全卷积网络中来获得热力图，热力图的峰值就是对应的目标中心，根据每个峰值的图像特征就可以预测出物体bounding box尺寸。这个方法可以扩展到很多其他任务上。 通过预测每个中心点的额外输出，作者还提供了3D目标检测和多人人类姿态估计的实验。 对于3Dbounding box估计，作者回归到对象的绝对深度，3Dbounding box尺寸和物体方向。 为了进行人类姿态估计，作者将2D关节位置视为距中心的offsets，并在中心点位置直接回归到它们。
作者提出的的基于中心点的方法CenterNet与相应的基于bounding box的检测器相比，是end-to-end可区分的，更简单，更快，更准确的。

2 Advantages/Contributions

提出基于 center point 的one-stage目标检测的方法——Objects as Points(CenterNet) ，充分挖掘和利用中心点的特征，快速精确的实现了目标检测！

3 Method

让$\left(x_1^k,y_1^k,x_2^k,y_2^k\right)$为类别为$c_k$的目标$c$的bounding box，则它的中心点为$\left(\frac{x_1^k+x_2^k}{2},\frac{y_1^k+y_2^k}{2}\right)$。让$I\in R^{W\times H\times 3}$是高为$H$，宽唯$W$的输入图像，则 keypoint heatmap $\hat{Y}\in {\left[0,1\right]}^{\frac{W}{R}\times \frac{H}{R}\times C}$，其中$R$是output stride，$C$是关键点类型的数量。作者使用$\hat{Y}$去预测所有中心点。对于每个目标$k$回归目标大小为$s_k=\left(x_2^k-x_1^k,y_2^k-y_1^k\right)$。为了减小计算量，对于所有的类别都使用一个大小$\hat{S}\in R^{\frac{W}{R}\times \frac{H}{R}\times 2}$。
对于center point 使用$L_1$loss：$$L_{size}=\frac{1}{N}\sum _{k=1}^N\left|{\hat{S}}_{pk}-s_k\right|$$
The overall training objective is ：$$L_{det}=L_k+{\lambda }_{size}{L}_{size}+{\lambda }_{off}{L}_{off}$$
对于每个类$c$的关键点的ground truth：$p\in R^2$，然后把所有关键点的ground truth放进一个热力图$\hat{Y}\in {\left[0,1\right]}^{\frac{W}{R}\times \frac{H}{R}\times C}$中，高斯核：$Y_{xyc}=exp\left(-\frac{\left(x-{\tilde{p}}_x^2\right)+\left(y-{\tilde{p}}_y^2\right)}{2{\sigma }_p^2}\right)$，${\sigma }_p^2$是一个目标合适大小的标准误差。其中$$L_k=\frac{-1}{N}\sum _{xyc}\{\begin{array}{ll}& {\left(1-{\hat{Y}}_{xyc}\right)}^{\alpha }log\left({\hat{Y}}_{xyc}\right)\text{ if }{Y}_{xyc}=1\\ {}_{}& {\left(1-Y_{xyc}\right)}^{\beta }{\left({\hat{Y}}_{xyc}\right)}^{\alpha }log\left(1-{\hat{Y}}_{xyc}\right)\text{otherwise}\end{array}$$
$\alpha$ 和$\beta$是focal loss的超参数。$N$是图像$I$中关键点的数量。实验中$\alpha =2$ 和$\beta =4$。为了恢复由输出步幅引起的离散化误差，作者另外预测了每个中心点的局部local offset：$\hat{O}\in R^{\frac{W}{R}\times \frac{H}{R}\times 2}$。所有类别$c$共享相同的偏移量预测。 offset经过L1损失训练：$$L_{off}=\frac{1}{N}\sum _p\left|\hat{O}\tilde{p}-\left(\frac{p}{R}-\tilde{p}\right)\right|$$

4 Experiments

5 Conclusion