论文笔记之CenterNet：Objects as Points

1. 摘要

本文是一个端到端的一阶段anchor-free的目标检测（可以扩充到3D检测，人体姿态估计等）方法。使用的是预测物体的中心点来代替Anchor。利用关键点估计来寻找中心点，进而再回归目标的其他属性，大小、3D位置、方向、姿势等。（本文包括目标检测、3D检测、姿态估计三部分，本文只讨论目标检测部分）

总体流程大概是，目标检测是一个标准的关键点估计问题。我们只需将输入图像输入到生成热图的完全卷积网络。热图中的峰值对应于物体中心。每个峰值的图像特征预测对象边界框的高度和权重。推理是一个单一的网络前向传递，没有对后处理的非最大抑制。

本文的方法CenterNet的简单性允许它以非常高的速度运行。

2. 相关工作

本文的方法与基于anchor的单阶段方法密切相关。一个中心点可以看作为一个单一的形状未知的anchor（见图3）。然而，有一些重要的区别。

• 首先，本文的中心网只根据位置而不是框重叠来分配“anchor”，所以没有用于前景和背景分类的手动阈值。
• 其次，每个目标只有一个正“anchor”，因此不需要非最大值抑制。只需提取关键点热图中的局部峰值。
• 第三，与传统的目标检测器相比，CenterNet使用更大的输出分辨率（本文输出步长为4，传统的检测器输出步长为16）。这样就不需要多个anchor。
  

2.本文方法

2.1 Preliminary

设为宽度W和高度H的输入图像。目的是要生成一个关键点热图

，其中R是输出跨距，C是关键点类型的数目。关键点类型包括物体检测中的C=80个物体类别。本文默认输出跨距R=4。输出跨距将输出预测降低一个因子R。
预测对应于检测到的关键点，而是背景。本文使用几种不同的卷积网络来预测图像 I 中的Y：A stacked hourglass network、ResNet 和 DLA。

对于C类的每个真实值关键点计算了一个低分辨率等价。然后，使用高斯核将所有真实值关键点散放到热图上，其中是目标大小自适应标准偏差。如果同一类的两个高斯子重叠，则取元素的最大值。

损失函数：

其中α和β 是focal loss的超参数，N是图像I中的关键点数量。选择N进行归一化，将所有正focal loss实例归一化为1。

为了恢复由输出步长引起的离散化误差，本文还为每个中心点预测了局部偏移量。
所有c类共享相同的偏移量预测。用L1损失训练偏移量

监督仅在关键点位置起作用，其他所有位置均被忽略。

以上这些，与CornerNet基本类似。

2.2 将物体视为一个点（objects as points）

设是类别为C_k的目标k的边界框。它的中心点位于P_k = ，本文用关键点估计预测中心点，此外，还回归每个目标k的大小。为减少计算负担，为所有类别使用同一size。在中心点位置使用L1 loss：

总体的loss函数为:
本文不将scale进行归一化，直接使用原始像素坐标。为了调节该loss的影响，将其乘了个系数，整个训练的目标loss函数为

网络预测关键点Y，偏移量O和大小S，每个位置有C+4个输出(即类别数目C个的热图，偏移量的x,y，尺寸的w,h)。

点到框

• 独立提取每个类别的热图中的峰值（做法是将热力图上的所有响应点与其连接的8个临近点进行比较，如果该点响应值大于或等于其八个临近点值则保留）
• 保留前100个峰值
• 使用关键点预测值作为检测置信度度量
  设P_c是检测到的 c 类别的 n 个中心点的集合，每个关键点由整形（x_i,y_i）给出，产生如下box：

其中，是偏移预测，
是size预测。

2.3 网络结构细节

3. 实验

• 沙漏网络在相对较好的速度下能达到最佳性能。
• DLA-34得到了最好的速度/准确率的折中。
• 两个不同物体可能共享同一个中心点，这样的话网络只能检测到一个。但这种情况是很少的（COCO中不到0.1%的比例），这部分误差可以忽略。
• 用NMS提升甚微，所以就不用NMS了。
• 在这里，L1比Smooth L1效果好。