Objects as Points-論文鏈接-代碼鏈接

目錄

• • 1、需求解讀
  • 2、CenterNet算法簡介
  • 3、CenterNet算法詳解
  • • 3.1 CenterNet網(wǎng)絡(luò)結(jié)構(gòu)
    • 3.2 CenterNet實(shí)現(xiàn)細(xì)節(jié)詳解
    • • 3.2.1 訓(xùn)練階段Heatmap生成
      • 3.2.2 Heatmap上應(yīng)用高斯核
    • 3.3 CenterNet損失函數(shù)
    • • 3.3.1 Heatmap損失函數(shù)
      • 3.3.2 中心點(diǎn)偏移損失函數(shù)
      • 3.3.3 目標(biāo)長寬損失函數(shù)
    • 3.4 CenterNet推理階段
  • 4、CenterNet網(wǎng)絡(luò)代碼實(shí)現(xiàn)
  • 5、CenterNet效果展示與分析
  • • 5.1 CenterNet客觀效果展示與分析
    • 5.2 CenterNet主觀效果展示與分析
  • 6、總結(jié)與分析
  • 參考資料
  • 注意事項(xiàng)

1、需求解讀

??隨著基于Anchor的目標(biāo)檢測性能達(dá)到了極限，基于Anchor-free的目標(biāo)檢測算法成為了當(dāng)前的研究熱點(diǎn)，具有代表性的工作包括CornerNet、FOCS與CenterNet等。除此之外，基于Anchor的目標(biāo)檢測算法存在著一些嚴(yán)重的問題，具體包括：（1）Anchros的定義在一定程度上會限制檢測算法的性能；（2）NMS等后處理操作會降低整個(gè)檢測算法的速度。為了解決這些問題，基于Anchor-free的目標(biāo)檢測算法應(yīng)運(yùn)而生，本文對CenterNet目標(biāo)檢測算法進(jìn)行詳細(xì)的剖析。

2、CenterNet算法簡介

??CenterNet是一個(gè)基于Anchor-free的目標(biāo)檢測算法，該算法是在CornerNet算法的基礎(chǔ)上改進(jìn)而來的。與單階段目標(biāo)檢測算法yolov3相比，該算法在保證速度的前提下，精度提升了4個(gè)百分點(diǎn)。與其它的單階段或者雙階段目標(biāo)檢測算法相比，該算法具有以下的優(yōu)勢：

• （1）該算法去除低效復(fù)雜的Anchors操作，進(jìn)一步提升了檢測算法性能；
• （2）該算法直接在heatmap圖上面執(zhí)行了過濾操作，去除了耗時(shí)的NMS后處理操作，進(jìn)一步提升了整個(gè)算法的運(yùn)行速度；
• （3）該算法不僅可以應(yīng)用到2D目標(biāo)檢測中，經(jīng)過簡單的改變它還可以應(yīng)用3D目標(biāo)檢測與人體關(guān)鍵點(diǎn)檢測等其它的任務(wù)中，即具有很好的通用性。

3、CenterNet算法詳解

3.1 CenterNet網(wǎng)絡(luò)結(jié)構(gòu)

??上圖展示了CenterNet網(wǎng)絡(luò)的整體結(jié)構(gòu)，整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)比較簡單。

• （1）最左邊表示輸入圖片。輸入圖片需要裁減到512*512大小，即長邊縮放到512，短邊補(bǔ)0，具體的效果如下圖所示，由于原圖的W>512，因而直接將其縮放為512；由于原圖的H<512，因而對其執(zhí)行補(bǔ)0操作；

• （2）中間表示基準(zhǔn)網(wǎng)絡(luò)，論文中嘗試了Hourglass、ResNet與DLA3種網(wǎng)絡(luò)架構(gòu)，各個(gè)網(wǎng)絡(luò)架構(gòu)的精度及幀率為：Resnet-18 with up-convolutional layers：28.1% coco and 142 FPS、DLA-34：37.4% COCOAP and 52 FPS、Hourglass-104：45.1% COCOAP and 1.4 FPS。
  
  ??上圖展示了3中不同的網(wǎng)絡(luò)架構(gòu)，圖(a)表示Hourglass網(wǎng)絡(luò)，該網(wǎng)絡(luò)是在ECCV2016中的Stacked hourglass networks for human pose estimation論文中提出的一種網(wǎng)絡(luò)，用來解決人體位姿估計(jì)問題，其思路主要通過將多個(gè)漏斗形狀的網(wǎng)絡(luò)堆疊起來，從而獲得多尺度信息，具體的細(xì)節(jié)請參考該博客。圖(b)表示帶有反卷積的ResNet網(wǎng)絡(luò)，作者在每一個(gè)上采樣層之前增加了一個(gè)3*3的膨脹卷積，即先使用反卷積來改變膨脹卷積的通道個(gè)數(shù)，然后使用反卷積來對特征映射執(zhí)行上采樣操作。圖?表示用于語義分割的DLA34網(wǎng)絡(luò)；圖d表示改變的DLA34網(wǎng)絡(luò)，該網(wǎng)絡(luò)在原始的DLA34網(wǎng)絡(luò)的基礎(chǔ)上增加了更多的殘差連接，該網(wǎng)絡(luò)將Dense_Connection與FPN的思路融合起來，前者源于DenseNet，可以用來聚合語義信息，能夠提升模型推斷是“what”的能力；后者源于聚合空間信息，能夠提升模型推斷在“where”的能力，具體的細(xì)節(jié)如下圖所示。
  
• （3）最右邊表示預(yù)測模塊，該模塊包含3個(gè)分支，具體包括中心點(diǎn)heatmap圖分支、中心點(diǎn)offset分支、目標(biāo)大小分支。heatmap圖分支包含C個(gè)通道，每一個(gè)通道包含一個(gè)類別，heatmap中白色的亮區(qū)域表示目標(biāo)的中心 點(diǎn)位置；中心點(diǎn)offset分支用來彌補(bǔ)將池化后的低heatmap上的點(diǎn)映射到原圖中所帶來的像素誤差；目標(biāo)大小分支用來預(yù)測目標(biāo)矩形框的w與h偏差值。

3.2 CenterNet實(shí)現(xiàn)細(xì)節(jié)詳解

3.2.1 訓(xùn)練階段Heatmap生成

??CenterNet將目標(biāo)檢測問題轉(zhuǎn)換成中心點(diǎn)預(yù)測問題，即用目標(biāo)的中心點(diǎn)來表示該目標(biāo)，并通過預(yù)測目標(biāo)中心點(diǎn)的偏移量與寬高來獲取目標(biāo)的矩形框。Heatmap表示分類信息，每一個(gè)類別將會產(chǎn)生一個(gè)單獨(dú)的Heatmap圖。對于每張Heatmap圖而言，當(dāng)某個(gè)坐標(biāo)處包含目標(biāo)的中心點(diǎn)時(shí)，則會在該目標(biāo)處產(chǎn)生一個(gè)關(guān)鍵點(diǎn)，我們利用高斯圓來表示整個(gè)關(guān)鍵點(diǎn)，下圖展示了具體的細(xì)節(jié)。

??生成Heatmap圖的具體步驟如下所示：

• 步驟1-將輸入的圖片縮放成512*512大小，對該圖像執(zhí)行R=4的下采樣操作之后，獲得一個(gè)128*128大小的Heatmap圖；

• 步驟2-將輸入圖片中的Box縮放到128*128大小的Heatmap圖上面，計(jì)算該Box的中心點(diǎn)坐標(biāo)，并執(zhí)行向下取整操作，并將其定義為point；

• 步驟3-根據(jù)目標(biāo)Box大小來計(jì)算高斯圓的半徑R；
  ??關(guān)于高斯圓的半徑確定，主要還是依賴于目標(biāo)box的寬高， 實(shí)際情況下通常會取IOU=0.7，即下圖中的overlap=0.7作為臨界值，然后分別計(jì)算出三種情況的半徑，取最小值作為高斯核的半徑R，具體的實(shí)現(xiàn)細(xì)節(jié)如下圖所示：
  （1）情況1-預(yù)測框pred_bbox包含gt_bbox框，對應(yīng)于下圖中的第1種情況，將整個(gè)IoU公式展開之后，成為一個(gè)二元一次方程的求解問題。
  （2）情況2-gt_bbox包含預(yù)測框pred_bbox框，對應(yīng)于下圖中的第2種情況，將整個(gè)IoU公式展開之后，成為一個(gè)二元一次方程的求解問題。
  （3）情況3-gt_bbox與預(yù)測框pred_bbox框相互重疊，對應(yīng)于下圖中的第3種情況，將整個(gè)IoU公式展開之后，成為一個(gè)二元一次方程的求解問題。
  

• 步驟4-在128*128大小的Heatmap圖上面，以point為中心點(diǎn)，半徑為R計(jì)算高斯值，point點(diǎn)處數(shù)值最大，隨著半徑R的增加數(shù)值不斷減小；
  
  ??上圖展示了一個(gè)樣例，左邊表示經(jīng)過裁剪之后的512512大小的輸入圖片，右邊表示經(jīng)過高斯操作之后生成的128128大小的Heatmap圖。由于圖中包含兩只貓，這兩只貓屬于一個(gè)類別，因此在同一個(gè)Heatmap圖上面生成了兩個(gè)高斯圓，高斯圓的大小與矩形框的大小有關(guān)。

3.2.2 Heatmap上應(yīng)用高斯核

??Heatmap上的關(guān)鍵點(diǎn)之所以采用二維高斯核來表示，是由于對于在目標(biāo)中心點(diǎn)附近的一些點(diǎn)，其預(yù)測出來的pre_box和gt_box的IOU可能會大于0.7，不能直接對這些預(yù)測值進(jìn)行懲罰，需要溫和一點(diǎn)，所以采用高斯核。該問題在Corner算法中就已經(jīng)存在，如下圖所示，我們在設(shè)置gt_bbox的heatmap時(shí)，不僅僅只在中心點(diǎn)的位置設(shè)置標(biāo)簽1，圖中紅色的矩形框表示gt_bbox,但是綠色的矩形框其實(shí)也可以很好的包圍該目標(biāo)，即我們在檢測的過程中如何獲得像綠色框這樣的矩形框時(shí)，我們也要保存它。通俗一點(diǎn)來講，只要預(yù)測的corner點(diǎn)在中心點(diǎn)的某一個(gè)半徑r內(nèi)，而且該矩形框與gt_bbox之間的IoU大于0.7時(shí)，我們將這些點(diǎn)處的值設(shè)置為一個(gè)高斯分布的數(shù)值，而不是數(shù)值0。

3.3 CenterNet損失函數(shù)

??整個(gè)CenterNet的損失函數(shù)包含3個(gè)部分，$L_k$表示 heatmap中心點(diǎn)損失，$L_{off}$表示目標(biāo)中心點(diǎn)偏移損失，$L_{size}$表示目標(biāo)長寬損失函數(shù)。

3.3.1 Heatmap損失函數(shù)

??上圖展示了Heatmap損失函數(shù)，該函數(shù)是在Focal Loss的基礎(chǔ)上進(jìn)行了改進(jìn)，其中的$\alpha$與$\beta$是兩個(gè)超參數(shù)，用來均衡難易樣本；$Y_{xyc}$表示GT值，${\hat{Y}}_{xyc}$表示預(yù)測值；N表示關(guān)鍵點(diǎn)的個(gè)數(shù)。

• 當(dāng)${\hat{Y}}_{xyc}$=1時(shí)，易分類樣本的預(yù)測值接近為1，此時(shí)$(1?{\hat{Y}}_{xyc}{)}^{\alpha }$就表示一個(gè)很小的數(shù)值，此時(shí)損失函數(shù)的數(shù)值就比較小，起到了降低該樣本權(quán)重的作用。
• 當(dāng)${\hat{Y}}_{xyc}$=1時(shí)，難分類樣本的預(yù)測值接近為0，此時(shí)$(1?{\hat{Y}}_{xyc}{)}^{\alpha }$就表示一個(gè)較大的數(shù)值，此時(shí)損失函數(shù)的數(shù)值就比較大，起到了增加該樣本權(quán)重的作用。
• 當(dāng)${\hat{Y}}_{xyc}$!=1時(shí)，為了防止預(yù)測值${\hat{Y}}_{xyc}$過高的接近于1，利用$(1?{\hat{Y}}_{xyc}{)}^{\alpha }$來充當(dāng)懲罰項(xiàng)，而$(1?Y_{xyc}{)}^{\beta }$這個(gè)參數(shù)距離中心點(diǎn)越近，其數(shù)值越小，用來進(jìn)一步減輕這個(gè)懲罰力度。

3.3.2 中心點(diǎn)偏移損失函數(shù)

??上圖展示了$L_{off}$損失函數(shù)，其中$\hat{O}\tilde{p}$表示網(wǎng)絡(luò)預(yù)測的偏移量數(shù)值，p表示圖像中心點(diǎn)坐標(biāo)，R表示Heatmap的縮放因子，$\tilde{p}$表示縮放后中心點(diǎn)的近似整數(shù)坐標(biāo)，整個(gè)過程利用L1 Loss計(jì)算正樣本塊的偏移損失。由于骨干網(wǎng)絡(luò)輸出的 feature map 的空間分辨率是原始輸入圖像的四分之一。即輸出 feature map 上的每一個(gè)像素點(diǎn)對應(yīng)到原始圖像的一個(gè)4x4 區(qū)域，這會帶來較大的誤差，因此引入了偏置的損失值。
??假設(shè)目標(biāo)中心點(diǎn)p為(125, 63)，由于輸入圖片大小為512*512，縮放尺度R=4，因此縮放后的128x128尺寸下中心點(diǎn)坐標(biāo)為(31.25, 15.75), 相對于整數(shù)坐標(biāo)(31, 15)的偏移值即為(0.25, 0.75)。

3.3.3 目標(biāo)長寬損失函數(shù)

??上圖展示了目標(biāo)長寬損失函數(shù)，其中N表示關(guān)鍵點(diǎn)的個(gè)數(shù)，Sk表示目標(biāo)的真實(shí)尺寸，$\hat{S}pk$表示預(yù)測的尺寸，整個(gè)過程利用L1 Loss來計(jì)算正樣本塊的長寬損失。

3.4 CenterNet推理階段

??CenterNet網(wǎng)絡(luò)的推理階段的實(shí)現(xiàn)步驟如下所述：

• 步驟1-首先將輸入圖片縮到512*512大小；
• 步驟2-然后對輸入圖片執(zhí)行下采樣，并對下采樣后的圖像執(zhí)行預(yù)測，即在128*128大小的Heatmap上執(zhí)行預(yù)測；
• 步驟3-然后在128*128大小的Heatmap圖上面采用一個(gè)3*3大小的最大池化操作來獲取Heatmap中滿足條件的關(guān)鍵點(diǎn)（類似于anchor-based檢測中nms的效果），并選取100個(gè)關(guān)鍵點(diǎn)；
• 步驟4-最后根據(jù)confidence閾值來過濾出最終的檢測結(jié)果。

4、CenterNet網(wǎng)絡(luò)代碼實(shí)現(xiàn)

1、Hourglass網(wǎng)絡(luò)部分代碼

class convolution(nn.Module):def __init__(self, k, inp_dim, out_dim, stride=1, with_bn=True):super(convolution, self).__init__()pad = (k - 1) // 2self.conv = nn.Conv2d(inp_dim, out_dim, (k, k), padding=(pad, pad), stride=(stride, stride), bias=not with_bn)self.bn = nn.BatchNorm2d(out_dim) if with_bn else nn.Sequential()self.relu = nn.ReLU(inplace=True)def forward(self, x):conv = self.conv(x)bn = self.bn(conv)relu = self.relu(bn)return reluclass fully_connected(nn.Module):def __init__(self, inp_dim, out_dim, with_bn=True):super(fully_connected, self).__init__()self.with_bn = with_bnself.linear = nn.Linear(inp_dim, out_dim)if self.with_bn:self.bn = nn.BatchNorm1d(out_dim)self.relu = nn.ReLU(inplace=True)def forward(self, x):linear = self.linear(x)bn = self.bn(linear) if self.with_bn else linearrelu = self.relu(bn)return reluclass residual(nn.Module):def __init__(self, k, inp_dim, out_dim, stride=1, with_bn=True):super(residual, self).__init__()self.conv1 = nn.Conv2d(inp_dim, out_dim, (3, 3), padding=(1, 1), stride=(stride, stride), bias=False)self.bn1 = nn.BatchNorm2d(out_dim)self.relu1 = nn.ReLU(inplace=True)self.conv2 = nn.Conv2d(out_dim, out_dim, (3, 3), padding=(1, 1), bias=False)self.bn2 = nn.BatchNorm2d(out_dim)self.skip = nn.Sequential(nn.Conv2d(inp_dim, out_dim, (1, 1), stride=(stride, stride), bias=False),nn.BatchNorm2d(out_dim)) if stride != 1 or inp_dim != out_dim else nn.Sequential()self.relu = nn.ReLU(inplace=True)def forward(self, x):conv1 = self.conv1(x)bn1 = self.bn1(conv1)relu1 = self.relu1(bn1)conv2 = self.conv2(relu1)bn2 = self.bn2(conv2)skip = self.skip(x)return self.relu(bn2 + skip)def make_layer(k, inp_dim, out_dim, modules, layer=convolution, **kwargs):layers = [layer(k, inp_dim, out_dim, **kwargs)]for _ in range(1, modules):layers.append(layer(k, out_dim, out_dim, **kwargs))return nn.Sequential(*layers)def make_layer_revr(k, inp_dim, out_dim, modules, layer=convolution, **kwargs):layers = []for _ in range(modules - 1):layers.append(layer(k, inp_dim, inp_dim, **kwargs))layers.append(layer(k, inp_dim, out_dim, **kwargs))return nn.Sequential(*layers)class MergeUp(nn.Module):def forward(self, up1, up2):return up1 + up2def make_merge_layer(dim):return MergeUp()# def make_pool_layer(dim): # return nn.MaxPool2d(kernel_size=2, stride=2)def make_pool_layer(dim):return nn.Sequential()def make_unpool_layer(dim):return nn.Upsample(scale_factor=2)def make_kp_layer(cnv_dim, curr_dim, out_dim):return nn.Sequential(convolution(3, cnv_dim, curr_dim, with_bn=False),nn.Conv2d(curr_dim, out_dim, (1, 1)))def make_inter_layer(dim):return residual(3, dim, dim)def make_cnv_layer(inp_dim, out_dim):return convolution(3, inp_dim, out_dim)class kp_module(nn.Module):def __init__(self, n, dims, modules, layer=residual,make_up_layer=make_layer, make_low_layer=make_layer,make_hg_layer=make_layer, make_hg_layer_revr=make_layer_revr,make_pool_layer=make_pool_layer, make_unpool_layer=make_unpool_layer,make_merge_layer=make_merge_layer, **kwargs):super(kp_module, self).__init__()self.n = ncurr_mod = modules[0]next_mod = modules[1]curr_dim = dims[0]next_dim = dims[1]self.up1 = make_up_layer(3, curr_dim, curr_dim, curr_mod, layer=layer, **kwargs) self.max1 = make_pool_layer(curr_dim)self.low1 = make_hg_layer(3, curr_dim, next_dim, curr_mod,layer=layer, **kwargs)self.low2 = kp_module(n - 1, dims[1:], modules[1:], layer=layer, make_up_layer=make_up_layer, make_low_layer=make_low_layer,make_hg_layer=make_hg_layer,make_hg_layer_revr=make_hg_layer_revr,make_pool_layer=make_pool_layer,make_unpool_layer=make_unpool_layer,make_merge_layer=make_merge_layer,**kwargs) if self.n > 1 else \make_low_layer(3, next_dim, next_dim, next_mod,layer=layer, **kwargs)self.low3 = make_hg_layer_revr(3, next_dim, curr_dim, curr_mod,layer=layer, **kwargs)self.up2 = make_unpool_layer(curr_dim)self.merge = make_merge_layer(curr_dim)def forward(self, x):up1 = self.up1(x)max1 = self.max1(x)low1 = self.low1(max1)low2 = self.low2(low1)low3 = self.low3(low2)up2 = self.up2(low3)return self.merge(up1, up2)class exkp(nn.Module):def __init__(self, n, nstack, dims, modules, heads, pre=None, cnv_dim=256, make_tl_layer=None, make_br_layer=None,make_cnv_layer=make_cnv_layer, make_heat_layer=make_kp_layer,make_tag_layer=make_kp_layer, make_regr_layer=make_kp_layer,make_up_layer=make_layer, make_low_layer=make_layer, make_hg_layer=make_layer, make_hg_layer_revr=make_layer_revr,make_pool_layer=make_pool_layer, make_unpool_layer=make_unpool_layer,make_merge_layer=make_merge_layer, make_inter_layer=make_inter_layer, kp_layer=residual):super(exkp, self).__init__()self.nstack = nstackself.heads = headscurr_dim = dims[0]self.pre = nn.Sequential(convolution(7, 3, 128, stride=2),residual(3, 128, 256, stride=2)) if pre is None else preself.kps = nn.ModuleList([kp_module(n, dims, modules, layer=kp_layer,make_up_layer=make_up_layer,make_low_layer=make_low_layer,make_hg_layer=make_hg_layer,make_hg_layer_revr=make_hg_layer_revr,make_pool_layer=make_pool_layer,make_unpool_layer=make_unpool_layer,make_merge_layer=make_merge_layer) for _ in range(nstack)])self.cnvs = nn.ModuleList([make_cnv_layer(curr_dim, cnv_dim) for _ in range(nstack)])self.inters = nn.ModuleList([make_inter_layer(curr_dim) for _ in range(nstack - 1)])self.inters_ = nn.ModuleList([nn.Sequential(nn.Conv2d(curr_dim, curr_dim, (1, 1), bias=False),nn.BatchNorm2d(curr_dim)) for _ in range(nstack - 1)])self.cnvs_ = nn.ModuleList([nn.Sequential(nn.Conv2d(cnv_dim, curr_dim, (1, 1), bias=False),nn.BatchNorm2d(curr_dim)) for _ in range(nstack - 1)])## keypoint heatmapsfor head in heads.keys():if 'hm' in head:module = nn.ModuleList([make_heat_layer(cnv_dim, curr_dim, heads[head]) for _ in range(nstack)])self.__setattr__(head, module)for heat in self.__getattr__(head):heat[-1].bias.data.fill_(-2.19)else:module = nn.ModuleList([make_regr_layer(cnv_dim, curr_dim, heads[head]) for _ in range(nstack)])self.__setattr__(head, module)self.relu = nn.ReLU(inplace=True)def forward(self, image):# print('image shape', image.shape)inter = self.pre(image)outs = []for ind in range(self.nstack):kp_, cnv_ = self.kps[ind], self.cnvs[ind]kp = kp_(inter)cnv = cnv_(kp)out = {}for head in self.heads:layer = self.__getattr__(head)[ind]y = layer(cnv)out[head] = youts.append(out)if ind < self.nstack - 1:inter = self.inters_[ind](inter) + self.cnvs_[ind](cnv)inter = self.relu(inter)inter = self.inters[ind](inter)return outsdef make_hg_layer(kernel, dim0, dim1, mod, layer=convolution, **kwargs):layers = [layer(kernel, dim0, dim1, stride=2)]layers += [layer(kernel, dim1, dim1) for _ in range(mod - 1)]return nn.Sequential(*layers)class HourglassNet(exkp):def __init__(self, heads, num_stacks=2):n = 5dims = [256, 256, 384, 384, 384, 512]modules = [2, 2, 2, 2, 2, 4]super(HourglassNet, self).__init__(n, num_stacks, dims, modules, heads,make_tl_layer=None,make_br_layer=None,make_pool_layer=make_pool_layer,make_hg_layer=make_hg_layer,kp_layer=residual, cnv_dim=256)def get_large_hourglass_net(num_layers, heads, head_conv):model = HourglassNet(heads, 2)return model

5、CenterNet效果展示與分析

5.1 CenterNet客觀效果展示與分析

??上表展示了CenterNet目標(biāo)檢測在COCO驗(yàn)證集上面的精度與速度。第1行展示了利用Hourglass-104作為基準(zhǔn)網(wǎng)絡(luò)后不僅能夠獲得40.4AP，而且可以獲得14FPS的速度；第2行展示了利用DLA-34作為基準(zhǔn)網(wǎng)絡(luò)后獲得的AP與FPS；第3行與第4行分別展示了ResNet-101與ResNet-18基準(zhǔn)網(wǎng)絡(luò)在COCO驗(yàn)證集上面的效果。通過觀察我們可以發(fā)現(xiàn)，基于DLA-34的基準(zhǔn)網(wǎng)絡(luò)能夠在精度與速度之間達(dá)到一個(gè)折中。

??上表展示了CenterNet算法在COCO關(guān)鍵點(diǎn)驗(yàn)證集上面的測試效果。通過觀察我們可以得出以下的初步結(jié)論：（1）基于Hourglass的基準(zhǔn)網(wǎng)絡(luò)可以獲得更高的精度，但是速度卻很難滿足實(shí)時(shí)場景的需求；（2）基于DLA-34的基準(zhǔn)網(wǎng)絡(luò)不僅可以獲得更高的精度，而且可以獲得較好的精度。（3）該算法的精度接近于很多state-of-art的行人位姿估計(jì)算法。

5.2 CenterNet主觀效果展示與分析

??上圖展示了CenterNet檢測算法在一張測試圖片上面的測試結(jié)果。左邊展示的是對應(yīng)的Heatmap圖，圖中的褐色點(diǎn)表示該算法輸出的中心點(diǎn)坐標(biāo)，右邊表示該算法的檢測結(jié)果。

??上圖展示了CenterNet人體位姿估計(jì)算法在一張測試圖片上面的測試結(jié)果。最左邊展示的是目標(biāo)中心點(diǎn)的Heatmap圖，中間圖表示的是輸出的人體關(guān)鍵點(diǎn)Heatmap圖，最右邊表示的是CenterNet人體位姿估計(jì)算法的輸出結(jié)果，該算法在這種復(fù)雜的場景下仍然獲得了較高的精度。

??上圖展示了CenterNet目標(biāo)檢測算法、CenterNet人體位姿估計(jì)算法、CenterNet 3D目標(biāo)檢測算法在一些復(fù)雜的測試場景上面的測試效果。通過觀察我們可以發(fā)現(xiàn)該算法在不同的復(fù)雜場景下仍然得到較高的精度。

6、總結(jié)與分析

??CenterNet是一個(gè)基于Anchor-free的目標(biāo)檢測算法。通過觀察上圖，我們可以發(fā)現(xiàn)該算法的精度幾乎超過了當(dāng)時(shí)所有的單階段與雙階段目標(biāo)檢測算法，包括Faster-RCNN、RetinaNet和Yolov3。由于該算法去除了耗時(shí)的Anchors與NMS后處理操作，因而該算法具有較快的運(yùn)行速度，適合部署在一些低性能的嵌入式設(shè)備中。除此之外，經(jīng)過實(shí)際的測試我們會發(fā)現(xiàn)該算法在多個(gè)實(shí)際場景中都能取得較高的檢測精度。

參考資料

[1] 原始論文
[2] 博客1
[3] 博客2

注意事項(xiàng)

[1] 該博客是本人原創(chuàng)博客，如果您對該博客感興趣，想要轉(zhuǎn)載該博客，請與我聯(lián)系（qq郵箱：1575262785@qq.com）,我會在第一時(shí)間回復(fù)大家，謝謝大家的關(guān)注。
[2] 由于個(gè)人能力有限，該博客可能存在很多的問題，希望大家能夠提出改進(jìn)意見。
[3] 如果您在閱讀本博客時(shí)遇到不理解的地方，希望您可以聯(lián)系我，我會及時(shí)的回復(fù)您，和您交流想法和意見，謝謝。
[4] 本人業(yè)余時(shí)間承接各種本科畢設(shè)設(shè)計(jì)和各種項(xiàng)目，包括圖像處理（數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等）、matlab仿真、python算法及仿真等，有需要的請加QQ：1575262785詳聊，備注“項(xiàng)目”！！！

總結(jié)

以上是生活随笔為你收集整理的CenterNet算法详解的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。