为了解决CornerNet缺乏目标内部信息的问题，提出了CenterNet使用三元组进行目标检测，包含一个中心关键点和两个角点。从实验结果来看，CenterNet相对于CornerNet只增加了少量推理时延，但带来了将近5个点的AP提升
来源：晓飞的算法工程笔记 公众号
论文: CenterNet: Keypoint Triplets for Object Detection
Introduction
CornerNet将目前常用的anchor-based目标检测转换为keypoint-based目标检测，使用角点对表示每个目标，CornerNet主要关注目标的边界信息，缺乏对目标内部信息的获取，很容易造成误检，如图1所示。为了解决这个问题，论文提出CenterNet，在角点对的基础上加入中心关键点组成三元组进行检测，既能捕捉目标的边界信息也能兼顾目标的内部信息。另外，为了更好地提取特征，论文还提出了center pooling和cascade corner pooling，分别用于更好地提取中心关键点和角点。
Baseline and Motivation
CenterNet以CornerNet为基础，为了检测角点，CornerNet分别预测左上角点和右下角点的热图。另外，为每个角点预测了embedding向量和偏移值，相同目标的角点的embedding向量距离会非常小，偏移值则是对角点进行小范围调整。最后分别选择top-k个左上角点和top-k个右下角点，根据embedding向量距离进行配对，预测框置信度为角点对的置信度均值。
论文对CornerNet的误检率进行了分析，如表1所示，大部分的误检集中在低IoU区域，有32.7%的预测结果与GT的IoU低于0.05，而小目标的误检率高达60.3%，可能的原因是CornerNet无法感知目标内部的信息，这个问题可以通过ROI池化二次分类来弥补，但是计算消耗很大。于是，论文提出高效的替代方案CenterNet，在CornerNet的角点对上再加入一个目标内部点组成三元组，以最低的成本捕捉目标的内部信息。
Object Detection as Keypoint Triplets
CenterNet的整体结构如图2所示，将每个目标表示为中心关键点和角点对。在CornerNet的基础上增加一个中心关键点的热图输出，先按CornerNet的方法获取top-k个预测框，然后使用中心关键点对预测框进行过滤和排序：
- 根据分数选择top-k个中心关键点
- 结合对应的偏移值将中心关键点映射到输入图片
- 定义每个预测框的中心区域，检查中心区域是否包含中心关键点
- 如果中心区域包含中心关键点，保留该预测框，将分数替换为三个关键点的分数均值。如果中心区域不包含中心关键点，则去除该预测框。
中心区域的大小对检测结果有直接的影响，区域过小会导致小目标召回率低，而区域过大则会导致大目标准确率低。为此，论文提出了尺寸可知(scale-aware)的中心区域，能够根据预测框的大小进行调整。定义$tl_x$和$tl_y$为预测框的左上角点坐标，$br_x$和$br_y$为预测框的右下角点坐标，$ctl_x$和$ctl_y$为中心区域的左上角点坐标，$cbr_x$和$cbr_y$分别为右下角点的坐标，四个点应满足以下关系：
$n$为奇数，决定中心区域的尺寸大小，论文对于尺寸小于150和大于150的预测框分别将$n$设为3和5。
图3展示了$n=3$和$n=5$的中心区域，根据公式1计算尺寸可知的中心区域，然后检查中心区域是否包含中心关键点。
Enriching Center and Corner Information
Center pooling
通常，目标的几何中心不一定包含重要的分辨信息，比如人最有辨识度的地方在头部，而几何中心却在人体的中间。为了解决这个问题，论文提出中心池化来提取更丰富的可辨认信息。
如图a所示，主干网络输出特征图后，在判断中心关键点时，取特征图水平方向和垂直方向的最大值之和作为分数，这样能够很好地帮助中心关键点的检测。
Cascade corner pooling
由于角点通常在目标之外，缺少目标的相关信息，CornerNet使用corner pooling来解决这个问题，如图b所示，取边界方向的最大值作为分数，但这会导致角点过于关注边界信息。
为了解决这个问题，需要让角点能够关注目标的内部，cascade corner pooling如图c所示，首先在边界方向找到最大值，然后在边界最大值处向内找到内部最大值，将两个最大值相加作为分数输出，这样角点能够同时关注边界信息和目标信息。
Center pooling和cascade corner polling可通过组合不同方向的corner pooling进行简单实现，如图5所示。需要注意，图5b为cascade top corner pooling模块，只输出左上角点在top方向值，还要加上cascade left corner pooling输出的left方向值。cascade left corner pooling的结构跟图5b类似，只是交换Top pooling和Left pooling的位置。
Training and Inference
Training
CenterNet的输入分辨率为$511\times 511$，最后的热图大小为$128\times 128$，完整的网络损失函数为：
$L^{co}_{det}$和$L^{ce}_{det}$为focal loss，用来训练网络检测角点和中心关键点，$L^{co}_{pull}$和$L^{co}_{push}$为角点pull损失和push损失，用来最大化和最小化embedding向量的距离，$L^{co}_{off}$和$L^{ce}_{off}$为L1损失，用来调整角点和中心点的偏移值。
Inference
测试时同时使用原图和水平翻转图片，每个图分别保留70个中心关键点、左上角点和右上关键点来预测，最后综合两个图片的结果进行Soft-nms输出。
Experiments
与SOTA目标检测方法对比。
与CornerNet的错误率优化对比。
对比实验。
CONCLUSION
为了解决CornerNet缺乏目标内部信息的问题，CenterNet使用三元组进行目标检测，包含一个中心关键点和两个角点。从实验结果来看，CenterNet相对于CornerNet只增加了少量推理时延，但带来了将近5个点的AP提升。
如果本文对你有帮助，麻烦点个赞或在看呗～
更多内容请关注 微信公众号【晓飞的算法工程笔记】
