看了一位博主解读CenterNet的博客(https://blog.csdn.net/baobei0112/article/details/94392343),感觉写的不错,转载一下。 内容属于转载!
论文地址:https://arxiv.org/pdf/1904.07850.pdf
发布时间:2019.4.16
机构:UT Austin,UC Berkeley
代码:https://github.com/xingyizhou/CenterNet
有两个不同CenterNet目标检测算法但是有相同的名称,一个是CenterNet:Objects as Points,另一个是CenterNet:Keypoint Triplets for Object Detection,都是2019年的比较新的目标检测算法,在这里总结的是第一种Objects as Points。第二种CenterNet是完全基于CornerNet改变而来的,相比于CornerNet做出了改进,使得检测速度和精度相比于one-stage和two-stage的框架都有不小的提高,尤其是与YOLOv3作比较,在相同速度的条件下,CenterNet的精度比YOLOv3提高了4个左右的点。
CenterNet不仅可以用于目标检测,还可以用于其他的一些任务,如姿态估计或者3D目标检测等等,但是这篇文章重点说的是其对目标检测的部分,模型实现了速度和精确度的最好权衡。以下是其性能:
MS COCO dataset, with 28:1% AP at 142 FPS, 37:4% AP at 52 FPS, and 45:1% AP with multi-scale testing at 1.4 FPS
论文中CenterNet提到了三种用于目标检测的网络,这三种网络都是编码解码(encoder-decoder)的结构:
每个网络内部的结构不同,但是在模型的最后都是加了三个网络构造分别来输出80个类(文中用的数据集为80类)的置信度、长宽的预测值以及中心点坐标的偏置值
用官方的源码(使用Pytorch)来表示一下最后三层,其中hm为heatmap、wh为对应中心点的width和height、reg为偏置量,这些值在后文中会有讲述。
(hm): Sequential(
(0): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(1): ReLU(inplace)
(2): Conv2d(64, 80, kernel_size=(1, 1), stride=(1, 1))
)
(wh): Sequential(
(0): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(1): ReLU(inplace)
(2): Conv2d(64, 2, kernel_size=(1, 1), stride=(1, 1))
)
(reg): Sequential(
(0): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
(1): ReLU(inplace)
(2): Conv2d(64, 2, kernel_size=(1, 1), stride=(1, 1))
)
附一张检测的效果图:
我们该如何检测呢?
这样, 就是一个检测到物体的预测值,对于
,表示对于类别 c,在当前(x,y)坐标中检测到了这种类别的物体,而
则表示当前当前这个坐标点不存在类别为 c的物体。
在整个训练的流程中,CenterNet学习了CornerNet的方法。对于每个标签图(ground truth)中的某一 C类,我们要将真实关键点(true keypoint) 计算出来用于训练,中心点的计算方式为
,对于下采样后的坐标,我们设为
,其中 R是上文中提到的下采样因子4。所以我们最终计算出来的中心点是对应低分辨率的中心点。
然后我们利用 来对图像进行标记,在下采样的[128,128]图像中将ground truth point以
的形式,用一个高斯核
来将关键点分布到特征图上,其中
是一个与目标大小(也就是w和h)相关的标准差。如果某一个类的两个高斯分布发生了重叠,直接去元素间最大的就可以。
这么说可能不是很好理解,那么直接看一个官方源码中生成的一个高斯分布[9,9]:
每个点 的范围是0-1,而1则代表这个目标的中心点,也就是我们要预测要学习的点。
损失函数由三部分组成,分类损失,框的尺寸损失和中心点偏置损失
Lk为:
中 和
是Focal Loss的超参数,N是图像 I 的的关键点数量,用于将所有的positive focal loss标准化为1。在这篇论文中
和
分别是2和4。这个损失函数是Focal Loss的修改版,适用于CenterNet。
这个损失也比较关键,需要重点说一下。和Focal Loss类似,对于easy example的中心点,适当减少其训练比重也就是loss值,当的时候,
就充当了矫正的作用,假如
接近1的话,说明这个是一个比较容易检测出来的点,那么
就相应比较低了。而当
接近0的时候,说明这个中心点还没有学习到,所以要加大其训练的比重,因此
就会很大,
是超参数,这里取2。
高斯生成的中心点
再说下另一种情况,当 otherwise 的时候,这里对实际中心点的其他近邻点的训练比重(loss)也进行了调整,首先可以看到 ,因为当 otherwise 的时候
的预测值理应是0,如果不为0的且越来越接近1的话,
的值就会变大从而使这个损失的训练比重也加大;而
则对中心点周围的,和中心点靠得越近的点也做出了调整(因为与实际中心点靠的越近的点可能会影响干扰到实际中心点,造成误检测),因为
在上文中已经提到,是一个高斯核生成的中心点,在中心点
,但是在中心点周围扩散
会由1慢慢变小但是并不是直接为0,类似于上图,因此
,与中心点距离越近,
越接近1,这个值越小,相反则越大。那么
和
是怎么协同工作的呢?
简单分为几种情况:
因为上文中对图像进行了 的下采样,这样的特征图重新映射到原始图像上的时候会带来精度误差,因此对于每一个中心点,额外采用了一个local offset:
去补偿它。所有类 c的中心点共享同一个
offset prediction
,这个偏置值(offset)用L1 loss来训练:
采用L1 loss,设计这个损失的原因是因为,图像下采样时,GT的关键点会因数据是离散的而产生偏差,对每个中心点附加预测了个局部偏移,所有类别 c 共享同个偏移预测
上述公式直接看可能不是特别容易懂,其实 是原始图像经过下采样得到的,对于[512,512]的图像如果
的话那么下采样后就是[128,128]的图像,下采样之后对标签图像用高斯分布来在图像上撒热点,怎么撒呢?首先将box坐标也转化为与[128,128]大小图像匹配的形式,但是因为我们原始的
annotation
是浮点数的形式(COCO数据集),使用转化后的box计算出来的中心点也是浮点型的,假设计算出来的中心点是[98.97667,2.3566666]。
但是在推断过程中,我们首先读入图像[640,320],然后变形成[512,512],然后下采样4倍成[128,128]。最终预测使用的图像大小是[128,128],而每个预测出来的热点中心(headmap center),假设我们预测出与实际标记的中心点[98.97667,2.3566666]对应的点是[98,2],坐标是 (x,y),对应的类别是 c,等同于这个点上 ,有物体存在,但是我们标记出的点是[98,2],直接映射为[512,512]的形式肯定会有精度损失,为了解决这个就引入了
偏置损失。
这个式子中 是我们预测出来的偏置,而
则是在训练过程中提前计算出来的数值,在官方代码中为:
# ct 即 center point reg是偏置回归数组,存放每个中心店的偏置值 k是当前图中第k个目标
reg[k] = ct - ct_int
# 实际例子为
# [98.97667 2.3566666] - [98 2] = [0.97667, 0.3566666]
reg[k]之后与预测出来的reg一并放入损失函数中进行计算。注意上述仅仅是对某一个关键点位置来计算的,计算当前这个点的损失值的时候其余点都是被忽略掉的。
到了这里我们可以发现,这个偏置损失是可选的,我们不使用它也可以,只不过精度会下降一些
我们假设为目标k,所属类别为
,它的中心点为
。我们使用关键点预测
去预测所有的中心点。然后对每个目标k的size进行回归,最终回归到
,这个值是在训练前提前计算出来的,是进行了下采样之后的长宽值。
为了减少回归的难度,这里使用作为预测值,使用L1损失函数,与之前的
损失一样:
整体的损失函数为物体损失、大小损失与偏置损失的和,每个损失都有相应的权重。
在论文中 ,然后
,论文中所使用的backbone都有三个head layer,分别产生[1,80,128,128]、[1,2,128,128]、[1,2,128,128],也就是每个坐标点产生 C+4个数据,分别是类别以及、长宽、以及偏置。
在预测阶段,首先针对一张图像进行下采样,随后对下采样后的图像进行预测,对于每个类在下采样的特征图中预测中心点,然后将输出图中的每个类的热点单独地提取出来。具体怎么提取呢?就是检测当前热点的值是否比周围的八个近邻点(八方位)都大(或者等于),然后取100个这样的点,采用的方式是一个3x3的MaxPool,类似于anchor-based检测中nms的效果。
这里假设 为检测到的点,
代表c 类中检测到的一个点。每个关键点的位置用整型坐标表示 ,然后使用
表示当前点的confidence,随后使用坐标来产生标定框:
其中 是当前点对应原始图像的偏置点,
代表预测出来当前点对应目标的长宽。
下图展示网络模型预测出来的中心点、中心点偏置以及该点对应目标的长宽:
那最终是怎么选择的,最终是根据模型预测出来的 值,也就是当前中心点存在物体的概率值,代码中设置的阈值为0.3,也就是从上面选出的100个结果中调出大于该阈值的中心点作为最终的结果。
运行官方源码的demo,随便挑了一张图,跑出来的结果分别对应最终图,取top=100的检测图以及预测出来的heatmap。
最终效果图
top=100的检测图
预测出来的heatmap
总之这是一篇笔记,好久没有认真阅读一篇论文了。搞工程搞多了看见论文就头大,但是好的论文还是值得一读了,特别是这一篇。这篇论文厉害的地方在于:
当然说了一堆优点,CenterNet的缺点也是有的,那就是: