论文笔记——CPN(Corner-Proposal-Network)Det
论文下载:
https://arxiv.org/pdf/2007.13816.pdf
论文代码:
https://github.com/Duankaiwen/CPNDet
论文摘要:
该论文提出一种新型的anchor free两阶段框架,该框架首先通过anchor free方法检测出目标的角关键点(corner keypoint )进行目标建议的组合,然后通过单独的分类阶段(两阶段思想,第一步简单的筛选正负样本,第二步进行每个正样本的类分类)给每个建议分配一个类标签。论文的方法被称为角建议网络(Corner Proposal Network),既能检测到不同尺度的目标,又能区分出大量的假的正样本目标建议(false-positive proposals)。
无锚和有锚目标检测的对比:
无锚方法大致分为点分组检测(point-grouping)和点向量(point-vector)检测,基本原理是一个或几个关键点根据关键点描述对象。
第一行图:基于锚的方法(Faster R-CNN)不利于寻找具有特殊形状的物体,如很大尺寸或不常见的尺度比例
第二行图:无锚的方法(CornerNet)会错误地关键点分组到一个对象中(同一个类的目标框重叠)
绿色、蓝色和红色的框分别表示真阳性、假阳性和假阴性:
无锚方法在查找任意几何形状的对象时具有更好的灵活性,因此召回率更高,因为锚点是依靠经验设计的(为了减少锚点的数量,提高效率,只考虑常见的目标尺寸和形状),会遗漏特殊形状的目标。
基于锚和无锚检测方法的平均召回率(the average recall [AR] )的比较:
CornerNet和CenterNet检测方法存在大量的假正样本。APoriginal、APrefine和APcorrect表示原始输出的AP:
一阶段与二阶段的对比:
二阶段比一阶段更准确,但是花费的时间较多。因为二阶段检测中使用简单的计算(二分类)先过滤掉一些假阳性(负样本),第二步使用比较细致的计算(多分类)给每个建议分类。
关于CPNDet:
首先使用anchor-free方法提取关键点,遍历关键点组合成候选框,最后使用两个分类器分别对候选框进行误检过滤以及标签预测,完整结构:
第一步:无锚方法提取角关键点
根据CornerNet来定位一个对象,关键点分别位于左上角和右下角。每一个类计算两个热图,热图最高峰的坐标即为关键点坐标,分辨率比原始图像降低4倍。
分别计算两个损失:焦损失(a focal loss)和偏移量(offest loss)损失:
从所有热图中提取固定数量的关键点(左上角K个,右下角K个),利用每一对关键点去定义一个对象建议框(候选框),定义左上点的Xy坐标小于右下xy坐标(坐标原点在左上角)。
定义出来的对象候选框输送到后续的二阶段分类。
第二步:用二阶段分类过滤目标建议(由关键点组成)
首先用简单的二分类过滤大部分候选框(N×32×H×W):
再用复杂的多分类训练标签(N×256×H×W):
全部的损失函数:
其他:
1、把CenterNet中的DCN(可变形卷积)替换成普通的卷积层。
2、除了DLA-34网络,其他网络都是从零开始训练(不采用预训练初始化)。
3、采用级联角池化(Cascade Corner Pooling)去更好的检测角点。
4、使用了二阶段的无锚方法发展了跨阶段框架评估。
实验结果:
使用不同的方法(实例嵌入和二进制分类)来确定方案的有效性的检测性能(%):
在MS-COCO验证数据集上,CornerNet、CenterNet和CPN的平均错误发现率(%,越低越好):
从上到下分别是CornerNet、CenterNet和CPN的检测结果,绿色和红色的框分别表示真阳性和假阳性:
不同条件下CPN的推理速度,FPS是在NVIDIA Tesla-V100 GPU上测量的:
论文笔记——CPN(Corner-Proposal-Network)Det相关推荐
- Corner Proposal Network 论文阅读(2020ECCV)
Introduction 引言 介绍了anchor base 和 anchor free 与one stage 和 two stage ,然后说通常认为的anchor base 有低召回的问题,anc ...
- CPNDet:Corner Proposal Network for Anchor-free, Two-stage Object Detection
CPNDet论文链接 一.背景 anchor-based方法将大量框密集分布在feature map上,在推理时,由于预设的anchor与目标差异大,召回率会偏低.而anchor-free不受anch ...
- 论文笔记 Multiple Instance Detection Network with Online Instance Classifier Refinement - CVPR 2017
Multiple Instance Detection Network with Online Instance Classifier Refinement 华中科大Peng Tang, Xingga ...
- 【论文笔记】Multi-Interactive Attention Network for Fine-grained Feature Learning in CTR Prediction
<Multi-Interactive Attention Network for Fine-grained Feature Learning in CTR Prediction>论文学习 ...
- 论文笔记004-《Knowledge Graph Alignment Network with Gated Multi-hop Neighborhood Aggregation》
更多博客可以关注MyBlog,欢迎大家一起学习交流! 1. 简介 题目:<Knowledge Graph Alignment Network with Gated Multi-hop Neigh ...
- 【论文笔记】Multi-Content Complementation Network for Salient Object Detection in Optical RSI
论文 论文:Multi-Content Complementation Network for Salient Object Detection in Optical Remote Sensing I ...
- [论文笔记]SwinSUNet: Pure Transformer Network for Remote Sensing Image Change Detection
1 论文标题 标题: SwinSUNet: Pure Transformer Network for Remote Sensing Image Change Detection 作者: Cui Zha ...
- 论文笔记:Contrastive Adaptation Network for Unsupervised Domain Adaptation
1. 任务设置 U n s u p e r v i s e d D o m a i n A d a p t a t i o n f o r I m a g e C l a s s i f i c a ...
- 论文笔记:Multi-level Alignment Network for Domain Adaptive Cross-modal Retrieval
域自适应跨模态检索的多级对齐网络 摘要 介绍 材料与方法 域自适应跨模态检索 网络体系结构 多级对齐 语义对齐 跨域对齐 跨模态对齐 联合训练与推理 结论 摘要 跨模态检索是多媒体领域中一项重要而富有 ...
- 论文笔记 Object-Aware Instance Labeling for Weakly Supervised Object Detection - ICCV 2019
Object-Aware Instance Labeling for Weakly Supervised Object Detection Kosugi ICCV, 2019 (PDF) (Citat ...
最新文章
- 严苛模式 strictmode
- placeholder在IE8中兼容性问题解决
- 【Linux】13_ 文件查找
- 怎么设置tomcat管理员的用户名和密码
- git-commit
- Github的简单使用
- 整合Flume和Kafka完成实时数据采集
- python基础知识4——collection类——计数器,有序字典,默认字典,可命名元组,双向队列...
- 百度迁徙数据爬取 生成excel数据
- 锐起BSD5.0企业无盘下载免费试用
- PTES渗透测试执行标准
- linux apache 查看mpm 配置方式,Apache Prefork、Worker和Event三种MPM详解
- 7个引人注目的创新物联网应用
- Badboy 安装 使用 常见问题 badboy当前页面脚本发生错误
- iPhone【未能激活蜂窝数据网:您尚未订购蜂窝数据服务】解决!
- 解密X-Change2的脚本
- Calendar 用法
- (Modern Family S01E02) Part 6 JayGloria Jay给Manny修风扇
- linux进程等待wait()实例
- 知名爆料者:新款MacBook Air采用类似iMac的多彩设计