CPNDet論文鏈接

一.背景

anchor-based方法將大量框密集分布在feature map上，在推理時，由于預設的anchor與目標差異大，召回率會偏低。而anchor-free不受anchor大小限制，在任意形狀上會更加靈活，但是像CornerNet這種,先進行角點檢測，將有效的角點枚舉組合成大量候選預測框，容易帶來大量的FP。而FCOS需要回歸關鍵點到邊界的距離，對于長寬大的物體也比較難以預測。

?

二.網絡介紹

1.網絡結構以及loss函數

Stage 1: Anchor-free Proposals with Corner Keypoints

假定每個目標都由兩個關鍵點進行定位，先根據CornerNet輸出一對左上右下的heatmap，選擇top-k個左上角點以及top-k個右下角點。將有效的關鍵點組合成目標的候選框，關鍵點組合是否有效主要有兩個判斷：

左上右下關鍵點是否屬于同一個類別

左上角點坐標比右上角點小

同時作者認為cornernet那種embedding向量組合不是保證能夠學習到的，在未見過的場景和目標挨得比較近時都會造成性能下降。

Stage 2: Two-step Classification for Filtering Proposals

由于產生heatmap的feature map較大，在角點進行組合時，雖然極大提高了召回率但同時特提升了誤檢率，還加大了過濾的計算量。所以先進行二分類，過濾掉80%候選框，然后在對剩下的框進行多分類。

首先在feature map上選用7*7RoIAlign提取每個候選框的特征，在使用1個32*7*7輸出二分類的分類score。

二分類loss采用focal loss變種。

N:正樣本數量;

IoUm：第m個候選框和所有gt box的IOU;

p m:第m個候選區域的分類score;

τ:IOU閾值,一般選擇0.7;

α :超參，為2，用來平滑loss函數。

第二步對剩下的框進行多分類，用一個256*7*7輸出C維向量，進行C分類,C分類loss也采用focal loss變種。

M?:上一步過濾后的候選框;

N?:正樣本框

IoU m,c:類別是c為第m個候選框和所有gt box的IOU;

qm,c：類別是c，第m個候選區域的分類score;

α,β：超參,為2,用來平滑loss函數

2.總的loss函數

Ldetcorner:角點定位和cornernet一樣;

Loffsetcorner:角點偏移

Lprop:二分類fcoal loss

Lclass:多分類fcoal loss

3.推理階段

第一個階段先使用0.2閾值，過濾掉大部分框，在對剩下的框進行多分類。在進行soft Nms即可。

s1:角點的分類score(兩個角點的平均)

s2:多分類的score

當兩個中一個大于0.5時,才采用上述式子得出預測的類別score，在歸一化為[0,1]之間。

三.實驗結果

1.是否帶二分類的實驗結果對比

2.和各種檢測框架的實驗結果對比

3.速度和精度的對比

總結

以上是生活随笔為你收集整理的CPNDet:Corner Proposal Network for Anchor-free, Two-stage Object Detection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。