Anchor-Free之CenterNet

CenterNet

CenterNet顾名思义,是基于中心点的目标检测方法,相对于cornernet和FCOS更加简单直接。

论文标题也是很霸气“Objects as Points”

相对于其他基于关键点检测的方法例如extremNet和cornerNet,CenterNet去除了角点分类等一些后处理步骤,

使得模型推理速度得到了进一步的提升.不仅用于2D目标检测还可以用来做人体姿态估计或这3D目标检测

数据方面使用更大分辨率的输出特征图(缩放了4倍),因此无需用到多重特征图锚点;

主干网络之后通过一个深度分离3X3卷积和1x1卷积,采用rulu激活

Anchor-Free之CenterNet_第1张图片

和cornerNet一样输出c(类别)个通道,元素值为1表示是关键点,否则就是背景。主干网络采用的是hourglass变体

和cornerNet一样,ground truth周围画个圈,只不过高斯分布的方差是根据标准框大小来定,同个类 c (同个关键点或是目标类别)有两个高斯函数发生重叠,我们选择元素级最大的。focalLoos也和cornerNet类似

N表示图片上关键点的个数。

Anchor-Free之CenterNet_第2张图片

为了弥补特征图缩放带来的精度误差对每个关键点进行偏移量修正,采用L1loos:

Anchor-Free之CenterNet_第3张图片

整体优化目标为:

Anchor-Free之CenterNet_第4张图片

λsize默认 0.1, λoff 默认1

NMS替代方案:

检测某一个点的置信度大于他的八临域,取这样的点最多100个

你可能感兴趣的:(目标检测,cv,深度学习,计算机视觉,神经网络,图像识别,1024程序员节)