CornerNet中keypoint-based如何通过定位角点进行目标检测

本篇文章给大家分享的是有关CornerNet中keypoint-based如何通过定位角点进行目标检测，小编觉得挺实用的，因此分享给大家学习，希望大家阅读完这篇文章后可以有所收获，话不多说，跟着小编一起来看看吧。

下面提出了CornerNet，通过检测角点对的方式进行目标检测，与当前的SOTA检测模型有相当的性能。CornerNet借鉴人体姿态估计的方法，开创了目标检测领域的一个新框架，后面很多论文都基于CorerNet的研究拓展出新的角点目标检测

Introduction

  目标检测算法大都与anchor box脱不开关系，论文认为使用anchor box有两个缺点：1) 需要在特征图上平铺大量的anchor box避免漏检，但最后只使用很小一部分的anchor box，造成正负样本不平衡且拖慢训练。 2) anchor box的引入带来了额外的超参数和特别的网络设计，使得模型训练变复杂。

  基于上面的考虑，论文提出了CornerNet，将目标检测定义为左上角点和右下角点的检测。网络结构如图1所示，通过卷积网络预测出左上角点和右下角点的热图，然后将两组热图组合输出预测框，彻底去除了anchor box的需要。论文通过实验也表明CornerNet与当前的主流算法有相当的性能，开创了目标检测的新范式。

CornerNet

Overview

  CornerNet中通过检测目标的左上角点和右下角点进行目标检测，卷积网络预测两组热图(heatmap)来表示不同类别目标的角点位置，分别对应左上角点和右下角点。为了将左上角点和左下角点进行对应，为每个角点预测一个embedding向量，属于同一个目标的两个角点的距离会非常小。另外还增加了偏移量(offset)的预测，对角点的位置进行小幅度的调整。

  CornerNet的结构如图4所示，使用hourglass网络作为主干网络，通过独立的两个预测模块输出两组结果，分别对应左上角点和右下角点，每个预测模块通过corner池化输出用于最终预测的热图、embedding向量和偏移。

Detecting Corners

  预测的热图的大小为$C\times H\times W$，$C$为类别数量，不包含背景类。每个GT的角点仅对应一个正样本点，其它的点均为负样本点，但在训练时不会等同地惩罚负样本点，而是减少正样本点半径内的负样本点的惩罚力度。这样做的原因主要在于，靠近正样本点的负样本点能够产生有足够高IoU的预测框，如图5所示。
  半径的大小根据目标的大小来设定，保证产生的预测框能至少满足IoU大于$t$。在设定半径后，根据二维高斯核$e^{-\frac{x^2+y^2}{2\sigma^2}}$进行惩罚衰减，$x$和$y$为相对正样本点的距离，$\sigma$为半径的1/3。定义$p_{cij}$为位置$(i,j)$关于类别$c$的预测分数，$y_{cij}$为根据高斯核得出的分数，论文设计了一个focal loss的变种：

  由于池化层的存在，原图位置$(x,y)$在特征图上通常会被映射到$(\lfloor\frac{x}{n}\rfloor, \lfloor\frac{y}{n}\rfloor)$，$n$为下采样因子。在将热图中的点映射回原图时，由于池化的原因可能会有精度的损失，这会极大地影响小目标的IoU计算。为了解决这个问题，论文提出了偏移预测，在将热图位置映射到原图前，小幅调整角点的位置：

  $o_k$为偏移值，$x$和$y$为角点$k$的坐标。需要注意的是，网络对左上角点和右下角点分别预测一组偏移值，偏移值在类别间共用。在训练时，对正样本点添加smooth L1损失来训练角点的偏移值：

Grouping Corners

  当图片中存在多个目标时，需要区分预测的左上角点和右下角点的对应关系，然后组成完整的预测框。这里论文参考了人体姿态估计的策略，每个角点预测一个一维的embedding向量，根据向量间的距离进行对应关系的判断。定义$e_{t_k}$目标$k$左上角点的embedding向量，$e_{b_k}$为右下角的embedding向量，使用pull损失和push损失来分别组合以及分离角点：

  $e_k$为$e_{t_k}$和$e_{b_k}$的平均值，$\Delta=1$，这里的pull损失和push损失跟偏移一样，仅对正样本点使用。

Corner Pooling

  角点的位置一般都没有目标信息，为了判断像素是否为左上角点，需要向右水平查找目标的最高点以及向下垂直查找目标的最左点。基于这样的先验知识，论文提出corner pooling来定位角点。   假设需要确定位置$(i,j)$是否为左上角点，首先定义$f_t$和$f_l$为左上corner pooling的输入特征图，$f_{t_{i,j}}$和$f_{l_{i,j}}$为输入特征图在位置$(i,j)$上的特征向量。特征图大小为$H\times W$，corner pooling首先对$f_t$中$(i,j)$到$(i,H)$的特征向量进行最大池化输出向量$t_{ij}$，同样对$f_l$中$(i,j)$到$(W,j)$的特征向量也进行最大池化输出向量$l_{ij}$，最后将$t_{ij}$和$l_{ij}$相加。完整的计算可表示为：

  公式6和公式7采用element-wise最大池化。

  在实现时，公式6和公式7可以如图6那样进行整张特征图的高效计算，有点类似动态规划。对于左上角点的corner pooling，对输入特征图分别进行从右往左和从下往上的预先计算，每个位置只需要跟上一个位置的输出进行element-wise最大池化即可，最后直接将两个特征图相加即可。

  完整的预测模块结构如图7所示，实际上是个改进版residual block，将$3\times 3$卷积模块替换为corner pooling模块，最后输出热图、embedding向量和偏移。

Hourglass Network

  CornerNet使用hourglass网络作为主干网络，这是用于人体姿态估计任务中的网络。Hourglass模块如图3所示，先对下采样特征，然后再上采样恢复，同时加入多个短路连接来保证恢复特征的细节。论文采用的hourglass网络包含两个hourglass模块，并做了以下改进：

• 替换负责下采样的最大池化层为stride=2的卷积

• 共下采样五次并逐步增加维度(256, 384, 384, 384, 512)

• 上采样使用两个residual模块+最近邻上采样

• 短路连接包含2个residual模块

• 在网络的开头，使用4个stride=2、channel=128的$7\times 7$卷积模块以及1个stride=2、channel=256维度的residual模块进行处理

• 原版的hourglass网络会对每个hourglass模块添加一个损失函数进行有监督学习，而论文发现这对性能有影响，没有采用这种方法

Experiments

  对比corner pooling的效果。

  对比负样本点惩罚衰减的效果。

  对比hourglass网络与corner检测搭配的效果

  对比热图和偏移预测的效果。

  与其它各种类型的检测网络进行对比。

以上就是CornerNet中keypoint-based如何通过定位角点进行目标检测，小编相信有部分知识点可能是我们日常工作会见到或用到的。希望你能通过这篇文章学到更多知识。更多详情敬请关注亿速云行业资讯频道。