CornerNet: Detecting Objects as Paired Keypoints
CornerNet论文链接
Hourglass Network论文链接
一.背景
1.anchor-base缺点
(1).anchor的设置对结果影响很大,不同项目这些超参都需要根据经验来确定,难度较大.
(2).anchor太过密集,其中很多是负样本,引入了不平衡.
(3).anchor的计算涉及IOU增加计算复杂度.
二.网络介绍
1.网络结构
网络总共有两个分支,一个分支有三个输出,主要包含heatmap,embedding,offsets.
single hourglass module示例
2.网络推理
预测左上角角点heatmap,右下角角点heatmap和embedding用于匹配角点,从而形成一对, 而offsets用于最终矫正角点.
为什么没有预测中心点?作者认为角点只需要依赖目标的两个方向,而中心点需要依赖目标的四个方向.同时采用corner pooling编码一些角点的先验信息.
3.corner pooling
作者认为box的角点经常超出目标,不太好定位,对于左上角角点,水平方向从右往左替换为看到的最大像素值,垂直方向从下往上替换为看到的最大像素值,在相邻点进行像素相加,从而丰富左上角角点信息.
4.heatmap与相应focal loss(分类)
heatmap就是角点的热力图,通道数为类别数C.
对于角点半径周围与gt box的IOU为0.3的box的负样本,没必要完全贡献loss,因为角点附近的负样本构成的box也能挺好覆盖目标.对于处于框内的角点,loss按照高斯分布来进行分配.
对于heatmap采用focal loss:
pcij:预测 score
ycij:gt heatmap
α,β: 超参用来控制loss
5.embedding与相应loss
用于左上角点与右上角点的匹配,找到距离最小的也就是同一个目标的角点.
etk:左上角点的embedding
ebk:右下角点的embedding
ek :etk和ebk的平均
对于一对匹配的角点,通过Lpull去拉得紧凑.对于不匹配的通过Lpush去分离角点.
6.offsets与相应loss(smooth L1)
用offests来轻微矫正角点位置,从而让检测框更加紧凑.
x,y是原图坐标,n是下采样倍数, 这里从预测图的heatmap恢复到原图就会有精度损失,严重影响小物体,所以采用offsets进行修正.
ok是offset,(xk,yk)是corner坐标.
采用smoothl1loss来学习offset.
7.loss汇总
作者发现α和β为1或者更大的值,产生了不好的效果.
8.缺点
(1):缺失角点,就缺失目标
(2):角点匹配失误,导致目标定位出现错位
三.实验结果
CornerNet: Detecting Objects as Paired Keypoints相关推荐
- CornerNet论文详解CornerNet: Detecting Objects as Paired Keypoints
一.论文相关信息 1.论文题目:CornerNet: Detecting Objects as Paired Keypoints 2.发表时间:2018 3.文献地址:https://op ...
- ECCV2018 | 论文阅读CornerNet: Detecting Objects as Paired Keypoints
CornerNet论文阅读--CornerNet: Detecting Objects as Paired Keypoints 文章目录 CornerNet论文阅读--CornerNet: Detec ...
- 【论文笔记】:CornerNet: Detecting Objects as Paired Keypoints
&Title: CornerNet: Detecting Objects as Paired Keypoints CornerNet: Detecting Objects as Paired ...
- CornerNet: Detecting Objects as Paired Keypoints 论文笔记
CornerNet: Detecting Objects as Paired Keypoints 论文链接: https://arxiv.org/abs/1808.01244 一. Problem S ...
- 论文笔记:CornerNet—Detecting Objects as Paired Keypoints
CornerNet: Detecting Objects as Paired Keypoints 1.摘要 2.细节 2.1.概览 2.2.检测角点 2.3.角点分组 2.4.角点池化 2.5.Hou ...
- 论文阅读笔记五十:CornerNet: Detecting Objects as Paired Keypoints(ECCV2018)
论文原址:https://arxiv.org/pdf/1808.01244.pdf github:https://github.com/princeton-vl/CornerNet 摘要 本文提出了目 ...
- CornerNet:Detecting Objects as Paired Keypoints
论文思想 将检测问题建模成关键点检测问题,通过检测左上.右下两个关键点来回归出检测框,是一种anchor free 的目标检测算法.主要解决了anchor based方法的两大问题: anchor b ...
- CornerNet: Detecting Objects as Paired Keypoints论文笔记(详细)
看完Cornernet之后,不得不说这篇文章很复杂,可以扣的细节很多,而我自己也是反反复复读了好几遍才理清作者的思路,特此记录下来,以供之后回读. Cornernet作为one-stage目标检测器, ...
- one-stage-anchor-free CornerNet: Detecting Objects as Paired Keypoints
paper:https://arxiv.org/abs/1808.01244 code:https://github.com/princeton-vl/CornerNet 首先,这篇paper的代码我 ...
最新文章
- 设置Windows7各种睡眠方式
- 《spring揭秘》读书笔记三
- 深度拆解:直播带货的现状与未来?
- 深入浅出CSS(二):关于雪碧图、background-position与steps函数的三角恋情
- html语言 input button,Html-button和input的区别
- resque java_php-resque :基于Redis的后台任务系统
- L - Clock Master Gym - 102798L
- java基础加强_补充笔记
- python移动文件
- bcoma 应用程序发生错误_Golang 错误和异常处理(含生产环境下的解决方案)
- 华为HCIE之TS部分整理
- Axure原型图教程
- pywifi安装了,打了一行import pywifi还报错,解决方案来啦!
- 软件工程实践 第四周第二次会议讨论
- 移动apn接入点哪个快_中国移动接入点设置哪个快
- [附源码]Python计算机毕业设计Django的小区宠物管理系统
- android菜鸡提升之路---实现一个积木拼图游戏
- 又双叒叕夺冠!5年厚积薄发,汇佳学校绿龙冰球队今夏“京城双冠王”!
- 3·15特辑:“伪智能”厂商能有什么坏心思,无非是想骗钱罢了
- 安卓在将来的发展趋势
热门文章
- mysql new map_使用构造器模式动态构建Map作为mybatis的查询条件
- 知识图谱论文阅读(九)【转】推荐系统遇到知识图谱之MKR模型
- PAT乙类之1012 数字分类 (20 分)
- ELECTRA模型精讲
- 搜索引擎关键字智能提示的一种实现
- 会议交流—PPT下载|DataFunSummit2022:知识图谱在线峰会PPT合集!
- 论文浅尝 - WSDM2020 | QAnswer KG: 基于RDF数据设计一个可移植问答系统
- 技术动态 | 67 亿美金搞个图,创建知识图谱的成本有多高你知道吗?
- NAACL 2019 | 怎样生成语言才能更自然,斯坦福提出超越Perplexity的评估新方法
- 风控模型师面试准备--技术篇(逻辑回归、决策树、集成学习)