CenterNet: Keypoint Triplets for Object Detection 不用anchor的one-stage检测算法，精度可达47mAP

论文下载地址：https://arxiv.org/abs/1904.08189

论文代码：https://github.com/Duankaiwen/CenterNet

 

论文创新点：

1. 本算法在CornerNet基础上进行了改进。CornerNet由于没有使用检测物体的内部信息，所以存在大量的误检率。本文在CornerNet的基础上增加了一个内部检测点，将检测物体的内部信息引入进来，减少了误检率。本算法在CornerNet基础上进行了改进。CornerNet由于没有使用检测物体的内部信息，所以存在大量的误检率。本文在CornerNet的基础上增加了一个内部检测点，将检测物体的内部信息引入进来，减少了误检率。

2. 为了更好得检测角点和中心点，文章提出了center pooling 和 cascade corner pooling两种网络结构。

论文中减少误检率的工作原理：

1.通过预测角点来得到检测框，通过检测框来得到一个预测区域。

2.通过网络来预测一个物体中心点。

3.如果中心点在预测区域则保留检测框，否则抛弃检测框。

该算法的整体网络结构：

1.通过Cascade Corner Pooling来找到角点。通过Embeddings来进行角点配对（这一对角点是否属于同一个物体）。通过Offsets将角点映射回原图。

2.通过CenterNet来找到中心点。Offsets将中心点映射回原图。

3.通过角点和中心点结合在一起得到最终的检测结果（方法就是前面讲到的减少误检率的原理）。

Center pooling网络结构：

1.一个物体的中心并不一定含有很强的，易于区分于其他类别的语义信息。如自然图a，人的头部语义信息丰富但是他并不是中心点。

2.作者将水平和垂直方向的最大值相加作为检测物体的中心点。

3.网络结构：水平方向的最大值可以通过left pooling和right pooling结合得到。垂直方向的最大值可以通过top pooling和bottom pooling结合得到。

 

Cascade corner pooling网络结构：

1.图(b) 为corner pooling。它提取物体边界最大值并相加，该方法只能提供关联物体边缘语义信息，对于更加丰富的物体内部语义信息则很难提取到。

2.图(c)为cascade corner pooling 原理，它首先提取物体边界最大值，然后在边界最大值处继续向内部(图中沿虚线方向)提取提最大值，并与边界最大值相加，以此给角点特征提供更加丰富的内部物体语义信息。

3.网络结构：图b（网络结构图）是left pooling网络结构。Righ pooling，top pooling，bottom pooling网络结构和b的网络结构是一样的。

 

角点和中心点结合策略：

1.角点产生的中心区域太大，会导致错误的大目标无法去除。中心区域太小，会导致小边界框的召回率较低。作者提出了可调节的中心区域。

2.根据检测框的大小，公式中n的值取3和5.当检测框的边小于150时，n=3。大于150时，n=5。

实验结果：