CornerNet-Lite论文笔记与代码复现

CornerNet-Lite论文笔记与代码复现

（一）Title

（二）背景知识：Conernet

1、Idea

当今的目标检测算法大多都是基于深度学习模型的，大致可以分为两大门派，一个叫做One-Stage系列，另一个叫做Two-Stage系列。

• Two-Stage系列顾名思义就是两步走：是先由算法生成一系列作为样本的候选框（Region Proposal），再通过卷积神经网络对候选框进行分类回归，典型代表有R-CNN系列；
• One-Stage系列则不用产生候选框，直接将目标边框定位的问题转化为回归问题处理，所以他叫一步走，典型的代表有YOLO系列、SSD系列。正是由于两种方法的差异，在性能上也有不同，前者在检测准确率上占优，后者在算法速度上占优。

上述所讲的两个门派中的一些算法，都用到了anchor这个概念，但是本文的作者认为使用anchor来做目标检测有缺点：anchor的数量太大，参数太多，也就是anchor的设置太讲究了，所以作者就发出了质问，难道一定要用anchor来做目标检测吗？？这是作者的第一个思路来源。第二个思路来源是来自一篇姿态估计的文章，这篇文章是基于CNN的2D多人姿态估计方法，通常有2个思路：Top-Down framework：就是先进行行人检测，得到边界框，然后在每一个边界框中检测人体关键点，连接成每个人的姿态，代表算法RMPE（alphapose）；Bottom-Up framework：就是先对整个图片进行每个人体关键点的检测，再将检测到的人体部位拼接成每个人的姿态，代表方法就是openpose。

作者基于以上的两个思路，就诞生了：CornerNet: Detecting Objects as Paired Keypoints，重在Keypoints，作者把目标检测问题当作关键点检测问题来解决，检测目标的两个关键点——左上角（Top-left）和右下角（Bottom-right），有了两个点之后，就能确定框了。

2、算法流程

输入图片经过Hourglass主干网络后，得到特征图，然后将该特征图作为两个Prediction模块的输入，分别是Top-left corners和Bottom-right corners。在每个预测模块里面，先经过Corner Pooling，然后输出Heatmaps, Embeddings, Offsets三个分支。heatmaps预测哪些点最有可能是Corners点，embeddings的作用是分清哪些点是一组，最后的offsets用于对点的位置进行修正，因为原图到特征图分辨率已经降低了。

2.1 Backbone

Hourglass-104

原始图片的大小为511×511×3，但这并不是主干网络的输入，主干网络的输入是128×128×256，为什么呢？因为作者是先将512的原图进行缩小四倍，缩小四倍用的操作是先用7×7的卷积核卷积，并且步长为2，通道数为128，这样就缩小两倍了，还有两倍是用了一个残差块，并且步长为2，通道数为256。所以，主干网络真正的的输入是128×128×256，主干网络的输出是128×128×512，为什么分辨率没有变化呢？因为这个主干网络叫做沙漏网络，样子像沙漏，他是先下采样后又上采样，连续堆叠了两个这样的沙漏，过程中经过了特征融合等等，这里总共用了104层。

主干网络出来后，面对的就是两个Module，一个用于预测左上角点，一个用于预测右下角点。

2.2 Prediction Module

以左上角为例：

最后就能得到三个输出：

• Heatmaps：128×128×80×2，128是特征图尺寸，80为coco数据集的类别，2代表top-left和bottom-right两个。

• Embeddings：128×128×80×2，128是特征图尺寸，80为coco数据集的类别，2代表top-left和bottom-right两个。

• Offsets：128×128×2，128是特征图尺寸，所有类别共用一个偏移量，2代表x, y 两个偏移值。

2.3 Corner Pooling

为什么要Corner Pooling?

因为CornerNet是预测左上角和右下角两个角点，但是这两个角点在不同目标上没有相同规律可循，如果采用普通池化操作，那么在训练预测角点支路时会比较困难。考虑到左上角角点的右边有目标顶端的特征信息（第一张图的头顶），左上角角点的下边有目标左侧的特征信息（第一张图的手），因此如果左上角角点经过池化操作后能有这两个信息，那么就有利于该点的预测，这就有了corner pooling。总之就是从左上角点的角度出发：左上角角点的右边有目标顶端的特征信息，左上角角点的下边有目标左侧的特征信息。

3、损失函数

3.1 Headmaps的损失

Heatmaps也就是预测角点的位置。整体上是对focal loss的改进，具体如下图：

几个参数的含义：pcij表示预测的heatmaps在第c个通道（类别c）的(i,j)位置的值，ycij表示对应位置的ground truth。N是图片中目标的总数。ycij=1时候的损失函数容易理解，就是focal loss，α参数用来控制难易分类样本的损失权重；ycij等于其他值时表示(i,j)点不是类别c的目标顶点，照理说此时ycij应该是0（大部分算法都是这样处理的），但是这里ycij不是0，而是用基于ground truth顶点的高斯分布计算得到，因此距离ground truth比较近的(i,j)点的ycij值接近1，这部分通过β参数控制权重，这是和focal loss的差别。

3.2 Embeddings的损失

Embeddings的作用就是配对，将左上角点和右下角点准确配对。简而言之就是基于不同角点的embedding vector之间的距离找到每个目标的一对角点，如果一个左上角角点和一个右下角角点属于同一个目标，那么二者的embedding vector之间的距离应该很小。公式如下图：

3.3 Offsets的损失

这个值和目标检测算法中预测的offset类似却完全不一样，说类似是因为都是偏置信息，说不一样是因为在目标检测算法中预测的offset是表示预测框和anchor之间的偏置，而**这里的offset是表示在取整计算时丢失的精度信息。**在卷积神经网络中存在着下采样层，这样从原始的图像输入到最后的heatmap产生的这个过程会累计误差，特别是在对一些小目标的物体进行检测的时候，这样的误差就无法接受了，因而文章才引入了偏移修正来修正它。也就是下图的公式：

（三）CornerNet-Lite

1、Abstract & Introduce

基于关键点的方法是目标检测中相对较新的范例，消除了对 anchor boxes 的需求并提供了简化的检测框架。基于Keypoint的CornerNet在单级（single-stage）检测器中实现了最先进的精度。

然而，这种准确性来自高处理代价。在这项工作中，解决了基于关键点的高效目标检测问题，并引入了CornerNet-Lite。

CornerNet-Lite是CornerNet的两种有效变体的组合：CornerNet-Saccade，它使用注意机制消除了对图像的所有像素进行彻底处理的需要，以及引入新的紧凑backbone架构的 CornerNet-Squeeze。

CornerNet-Saccade在不牺牲准确性的情况下提高效率，CornerNet-Squeeze在不牺牲效率的情况下提升精度。

本文的贡献：

• 提出CornerNet-Saccade和CornerNet-Squeeze两种提升效率的新网络
• COCO上，我们将最先进的基于关键点的检测效率提高了6倍，AP从42.2%提高到43.2%
• COCO上，实时目标检测的效率提升从(从39毫秒时的33.0%提高到30毫秒时的34.4%)

2、Research Objective

从在保证检测精度前提下，提升检测准确率角度出发，作者提出提升任何目标检测器的效率通常有两个方向：

• 减少处理的像素数量（eg. 降低图像分辨率）
• 减少处理每个像素处理的过程

因此提出本文的两种CornerNet的两种变体：CornerNet-Saccade以及CornerNet-Squeeze，统称为CornerNet-Lite。

CornerNet-Saccade通过减少要处理的像素数量来加速inference。它使用注意力机制，利用完整图像的下采样生成一个attention map，然后放大进行接下来的处理。这与最初的CornerNet不同，因为它是在多个尺度上进行全卷积应用的，通过对高分辨率图像进行裁剪用于检测，将检测结果融合来提升检测准确度，性能表现：每幅图像190毫秒时实现了43.2%的AP，相比于最初的CornerNet，AP提高了1%，速度提高了6倍。

CornerNet-Squeeze通过减少每个像素的处理量来加速推理，结合了 SqueezeNet以及 MobileNets 的观点，引入了一个改进后的hourglass backbone，广泛使用1×1 convolution, bottleneck layer, and depth-wise separable convolution。性能提升：在30ms速度下，AP值可以达到34.4% ，速度上要优于YOLOv3（33%，39ms）

提出这个模型后，有一个很显然的问题就是：结合CornerNet-Saccade和CornerNet-Squeeze能不能实现比CornerNet-Saccade更高的速度，同时比CornerNet-Squeeze更优的准确率呢？
实验结果是:不能,因为CornerNet-Saccade需要生成足够精确的attention map，CornerNet-Squeeze的超紧凑架构没有这种额外的能力。
The results in Tab. 5 suggest that saccade can only help if the attention maps are sufficiently accurate.

3、Backbone

Hourglass-54:consists of 3 hourglass modules and has a depth of 54 layers, while Hourglass-104 in CornerNet consists of 2 hourglass modules and has a depth of 104。

4、Method

4.1 CornerNet-Saccade

实现步骤：

1. 将图像的长边resize到255和192，对于192像素的图像，我们将其零填充到255像素大小上，实现并行处理。
2. 利用下采样后的图像在backbone的上采样阶段不同粒度的特征图上预测大、中、小三个尺度（如果一个目标物的较长边的像素小于32，则被视为小目标，32到96的视为中等目标，大于96的是大目标）的目标位置，对于不同大小的目标，可以更好地"针对性处理(放大)"，对于不同尺度的目标采用不同的放大倍数，由于使用了下采样，对于一些小目标可能无法准确检测，因此，我们应该基于在第一步中获得的尺度(scale)信息在更高的分辨率上检查区域。
3. 在生成attention map的同时，会在图像中给大目标预测boxes，但是这些boxes不是很准确，同样需要放大来获取更好的boxes。
4. 在完成可能目标位置的目标检测之后，裁剪图像中的bounding boxes进行NMS，同时手动删除掉由于裁剪而导致的只有一部分的目标的boxes。
   
   当我们对区域进行裁剪的时候，这个区域可能包含包含一部分物体在裁剪边界，或者当物体靠的很近时，产生的region重叠程度很高，处理两个区域是不可取的，因为处理其中一个区域可能会检测到另一个区域中的目标。

4.2 CornerNet-Squeeze

CornerNet-Saccade通过关注子区域的像素来减少处理量。CornerNet-Squeeze减少每个像素处理过程中的计算量。CornerNet中，计算量主要消耗在Hourglass-104上，虽然Hourglass-104的性能好，但是，其参数量大，而且inference时间长。本文借鉴了SqueezeNet及MobileNet的思想来设计一个轻量级的Hourglass结构。

使用SqueezeNet中的fire module代替残差模块，并借助MobileNet的思想利用深度可分离卷积代替标准卷积。

网络的其他变动：

• Hourglass Module之前增加一个下采样层来降低Hourglass Module特征图的最大分辨率
• 移除每个hourglass模型中的一个下采样层
• CornerNet-Squeeze在hourglass 模型之前下采样3次，而CornerNet只下采样两次。
• 将CornerNet预测模块中的3x3卷积替换为1x1的卷积
• 将hourglass网络中最相邻的上采样层替换为4x4的转置卷积。

5、Experiments

5.1 GPU memory

5.2 Hourglass Network-54 vs Hourglass Network-104 (+ attention map)

疑惑：在CornerNet-Saccade中，为什么54会比104的AP值高？

5.3 CornerNet–>CornerNet-Squeeze

5.4 CornerNet、CornerNet-Lite vs YOLOv3

小目标差了点，其他都比YOLOv3好。

（四）代码复现

1、环境：

windows 10, python 3.7, CUDA 10.0+cudnn 7.6.2, pytorch 1.0、vs2019

2、安装minGW、用于windows下的make：

下载地址：
https://sourceforge.net/projects/mingw/files/latest/download?source=files

下载完后安装，全勾选，进入程序页面如下：

点左边的all packages，安装mingw32-gcc-g++和mingw32-make，class都为bin。

安装方法是勾选，然后左上角installation点apply。
安装需耐心等待。

进入mingw的安装目录，例如我的是C:\MinGW，进入bin文件夹，找到mingw-make.exe，将其名字改为make.exe。

将make加入系统变量path。

3、编译程序依赖项

进入<你的程序文件夹>/core/models/py_utils/_cpools/src 下，会有四个cpp文件，用记事本打开，将第一行#include

改成：

#include

四个文件都要改。

完成之后打开anaconda prompt

 cd <你的程序文件夹>/core/models/py_utils/_cpools/
 
 python setup.py install --user

打开<你的程序文件夹>/core/external

打开setup.py，注释掉两句话如下：

保存。

用cmd命令行进入这个文件夹，执行如下命令：

make

如果缺少相关.dll文件，网上搜索之并下载放到该文件即可。

4、下载权重

下载完成后放到<你的程序文件夹>/cache/nnet/CornerNet_Saccade/下，注意这里需要你手动新建文件夹。

5、运行

运行demo.py，如果成功应该在文件夹下出现demo_out.jpg。

6、对比

（五）Questions

1、在密集物体或遮挡物体检测上，Connernet-Lite的效果并不好，为什么？

2、有没有比hourglass效果更好的网络可以替换？

高分辨率网络(HRNet)
HRNet通过并行连接高分辨率到低分辨率卷积来保持高分辨率表示，并通过重复跨并行卷积执行多尺度融合来增强高分辨率表示。据说比Hourglass好，没试过。