CornerNet論文鏈接

Hourglass Network論文鏈接

一.背景

1.anchor-base缺點　　　　　　　　　

(１)．anchor的設置對結果影響很大,不同項目這些超參都需要根據經驗來確定，難度較大．

(２)．anchor太過密集，其中很多是負樣本，引入了不平衡．

(３)．anchor的計算涉及IOU增加計算復雜度．

二.網絡介紹

1.網絡結構

網絡總共有兩個分支，一個分支有三個輸出，主要包含heatmap,embedding,offsets.

　　　　　　　　　　single　hourglass　module示例

2.網絡推理

預測左上角角點heatmap，右下角角點heatmap和embedding用于匹配角點，從而形成一對, 而offsets用于最終矯正角點．

為什么沒有預測中心點？作者認為角點只需要依賴目標的兩個方向，而中心點需要依賴目標的四個方向．同時采用corner pooling編碼一些角點的先驗信息．

3.corner pooling

作者認為box的角點經常超出目標，不太好定位，對于左上角角點，水平方向從右往左替換為看到的最大像素值,垂直方向從下往上替換為看到的最大像素值，在相鄰點進行像素相加，從而豐富左上角角點信息．

4.heatmap與相應focal loss(分類)

heatmap就是角點的熱力圖，通道數為類別數C．

對于角點半徑周圍與gt box的IOU為0.3的box的負樣本，沒必要完全貢獻loss，因為角點附近的負樣本構成的box也能挺好覆蓋目標．對于處于框內的角點,loss按照高斯分布來進行分配．

對于heatmap采用focal loss:

pcij:預測?score

ycij:gt heatmap

α,β: 超參用來控制loss

5.embedding與相應loss

用于左上角點與右上角點的匹配，找到距離最小的也就是同一個目標的角點．

etk:左上角點的embedding
ebk:右下角點的embedding
ek?:etk和ebk的平均

對于一對匹配的角點，通過Lpull去拉得緊湊．對于不匹配的通過Lpush去分離角點．

6.offsets與相應loss（smooth L1）

用offests來輕微矯正角點位置，從而讓檢測框更加緊湊．

x,y是原圖坐標,n是下采樣倍數， 這里從預測圖的heatmap恢復到原圖就會有精度損失，嚴重影響小物體，所以采用offsets進行修正.

ok是offset,(xk,yk)是corner坐標.

采用smoothl1loss來學習offset.

7.loss匯總

作者發現α和β為１或者更大的值，產生了不好的效果．

8.缺點

(1):缺失角點，就缺失目標

(2):角點匹配失誤，導致目標定位出現錯位

三.實驗結果

?

創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的CornerNet: Detecting Objects as Paired Keypoints的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。