点击下方“计算机书童”卡片,每天获取顶刊论文解读
点击加入论文投稿、写作、阅读分享交流群
题目:CenterNet++ for Object Detection
用于目标检测的CenterNet++
源码:https://github.com/Duankaiwen/PyCenterNet
摘要
关键词
无锚点(Anchor-free) 自底向上(Bottom-up) 深度学习(Deep learning) 对象检测(Object detection)
I. 引言
我们提出了一种名为CenterNet的强大自底向上对象检测方法。CenterNet将每个对象检测为三元组关键点,因此可以定位任意几何形状的对象,并感知对象的全局信息。 我们设计了两个框架以适应不同结构的网络,这提高了我们方法的泛化能力。因此,我们的方法基本上适用于所有网络。 CenterNet在自底向上方法中实现了最先进的检测精度,并与现有的自顶向下方法的最先进性能紧密匹配。 通过适当降低结构复杂性,CenterNet实现了准确性和速度之间的令人满意的折中。因此,我们证明了自底向上方法与自顶向下方法是必要的,并且具有竞争力。
III. 我们的方法
A. 顶下方法的一个缺点
B. 将对象检测视为关键点三元组
单分辨率检测框架:受到姿态估计的启发,我们应用通常用于姿态估计的网络来更好地检测角点和中心关键点,其中大多数在单分辨率特征图中检测关键点,例如沙漏网络[43]。整体网络架构如图2所示。我们通过一个中心关键点和一对角点来表示每个对象。具体来说,我们在CornerNet的基础上嵌入一个中心关键点的热图,并预测中心关键点的偏移量。然后,我们使用CornerNet[30]中应用的方法来生成前k个边界框。为了有效地识别错误的边界框,我们使用检测到的中心关键点和以下程序:(1) 根据它们的分数选择前k个中心关键点。(2) 使用相应的偏移量将这些中心关键点重新映射到输入图像。(3) 为每个边界框定义一个中心区域,并验证中心区域是否包含中心关键点。注意,检查的中心关键点的类别标签应与边界框的类别标签相同。(4) 如果在中心区域检测到中心关键点,我们保留边界框。边界框的分数被替换为三点的平均分数,即左上角、右下角和中心关键点的分数。如果在中心区域没有检测到中心关键点,则删除边界框。 多分辨率检测框架:整体网络架构如图3所示。网络从提取基于输入图像的特征的主干(例如,ResNet[25],ResNeXt[61])开始。我们选择主干的C3-C5特征图作为输入到特征金字塔网络(FPN)。然后,FPN输出P3-P7特征图作为最终预测层。在每个预测层中,我们使用热图和回归来预测关键点。在基于热图的预测方法中,我们使用三个轻量级二进制热图来预测角点和中心关键点。热图的分辨率与预测层的分辨率相同,因此,我们预测每个关键点的额外偏移量,以学习将关键点从热图重新映射到输入图像。在基于回归的预测方法中,为了解耦左上角和右下角,我们沿着几何中心将真实框分成四个子真实框,并选择左上角和右下角子真实框来监督回归过程。以左上角框的回归为例,我们选择一些在左上角子真实框内的特征点,每个选定的特征点用于预测两个向量,这些向量指向左上角和中心关键点。此外,我们为每个选定的特征点分配一个类别标签来监督分类过程。我们应用常见的无锚点检测方法来训练网络预测子边界框(例如FCOS[56]和RepPoints[8])。此外,我们强调子边界框的回归精度高于完整边界框的精度,因为表I显示像FCOS[56]这样的无锚点方法在长距离回归上精度较低,而我们的子边界框有效地将回归距离减半。
中心区域定义:边界框中的中心区域大小会影响检测结果。例如,中心区域较小会导致对小边界框的召回率降低,而中心区域较大则会导致对大边界框的精确度降低。因此,我们提出了一个基于边界框大小自适应调整的尺度感知中心区域。令 和 分别表示边界框左上角的坐标, 和 表示右下角的坐标。定义中心区域 ,令 和 分别表示中心区域左上角的坐标, 和 表示右下角的坐标。然后, 、 、 、 、 、 、 和 应满足以下关系:
C. 丰富中心和角点信息
D. 训练和推理
E. 与先前工作的关联
IV. 实验
A. 数据集、指标和基线
B. 与最先进检测器的比较
C. 多分辨率检测提高精度
D. 实时CenterNet
E. 错误边界框减少
F. 消融研究
G. 错误分析
V. 结论
声明
#论 文 推 广#
让你的论文工作被更多人看到
你是否有这样的苦恼:自己辛苦的论文工作,几乎没有任何的引用。为什么会这样?主要是自己的工作没有被更多的人了解。
计算机书童为各位推广自己的论文搭建一个平台,让更多的人了解自己的工作,同时促使不同背景、不同方向的学者和学术灵感相互碰撞,迸发出更多的可能性。 计算机书童 鼓励高校实验室或个人,在我们的平台上分享自己论文的介绍、解读等。
稿件基本要求:
• 文章确系个人论文的解读,未曾在公众号平台标记原创发表,
• 稿件建议以 markdown 格式撰写,文中配图要求图片清晰,无版权问题
投稿通道:
• 添加小编微信协商投稿事宜,备注:姓名-投稿
△长按添加 计算机书童 小编