论文：CenterNet: Keypoint Triplets for Object Detection 阅读笔记

一、论文

CenterNet: Keypoint Triplets for Object Detection

https://arxiv.org/abs/1904.08189

code:https://github.com/Duankaiwen/CenterNet

二、笔记

1、背景

1）、anchor-based方法anchor方法的复杂性

2）、cornernet没有好好利用图片里每个物体的区域信息，同时预测的两个点，对物体的边界过于敏感。

2、想法

根据conrner存在的一些问题，提出的解决办法，从cornernet发展而来。

Our intuition is that, if a predicted bounding box has a high IoU with the ground truth box, then the probability that the center keypoint in its central region is predicted as the same class is high, and vice versa.

我们的直觉是，如果一个预测的box和ground truth有一个很高的IOU，那么它的中心区域的关键点被预测为同一类的概率很高，反之亦然

对于每个检测框有一个中心区域，同时对于每个物体有一个中心点，如果物体的中心点，落在了预测的框的中心区域，那么这个框就是可信的。

3、创新点

a)、使用center pooling and cascade corner pooling，类似两阶段的head部分（使用卷积单独对roi部分的feature再进行运算）来分析物体区域的视觉模式

在原来的cornernet预测两个点的基础上，又增加了一个分支来预测center point

4、细节

a)、算法流程

(1) select top-k center keypoints according to their scores;

(2) use the corresponding offsets to remap these center keypoints to the input image;

(3) de-fifine a central region for each bounding box and check if the central region contains center keypoints. Note that the class labels of the checked center keypoints should be same as that of the bounding box;

(4) if a center keypoint is detected in the central region, we will preserve the bounding box. The score of the bounding box will be replaced by the average scores of the three points, i.e., the top-left corner, the bottom-right corner and the center keypoint. If there are no center keypoints detected in its central region, the bounding box will be removed.

b)、如何决定中心区域的大小，基于小的中心区域使得小的检测框的召回率低，大的中心区域使得大的预测框的准确率低，因此设计了一个可以根据预测框大小自动调整中心区域的公式，可以对于大的框算出来一个小的中心区域，对于小的框算出来一个大的中心区域

c)、Center pooling

采用了类似corner pooling的方式，在水平和垂直两个方向上求最大值

d)、Cascade corner pooling

不仅像corner pooling 那样在边界的水平反向和垂直方向上求最大值，而且会在最大值处，再沿着垂直，水平方向，往内部求最大值，最后将两个最大值加在一起。

e）、中心点和从预测框得出的中心区域相当于都是从网络得出来的。

git paper list:

https://github.com/zhiAung/Paper/tree/master/2%E3%80%81Detection

论文：CenterNet: Keypoint Triplets for Object Detection 阅读笔记相关推荐

论文阅读：CenterNet: Keypoint Triplets for Object Detection(CVPR2019)
论文地址:https://arxiv.org/abs/1904.08189 github实现:https://github.com/Duankaiwen/CenterNet 摘要目标检测中,基于关键 ...
论文精读——CenterNet :Keypoint Triplets for Object Detection
论文地址:https://arxiv.org/abs/1904.08189 论文代码:https://github.com/Duankaiwen/CenterNet 发布时间:2019.4.17 发布 ...
CenterNet: Keypoint Triplets for Object Detection ----- 论文翻译理解
Abstract 在对象检测中,基于关键点的方法经常遇到大量不正确的对象边界框,这可能是由于缺少对裁剪区域的额外检查.本文提出了一种有效的解决方案,以最小的代价探索每个裁剪区域内的视觉模式.在一个具有 ...
CenterNet: Keypoint Triplets for Object Detection
在目标检测方法中,基于关键点的方法会检测出大量不正确的边界框,这是由于没有对裁剪区域进行进一步的检查.本文提出了一种有效的解决方案,以最小的成本检测裁剪区域.本框架基于CornerNet,名为Cent ...
CenterNet: Keypoint Triplts for Object Detection 论文阅读笔记
论文名称:CenterNet: Keypoint Triplts for Object Detection 作者:Kaiwen Duan & Song Bai等论文链接:https://ar ...
CenterNet：Keypoint Triplets for Object Detection（中文版）
摘要在对象检测中,基于关键点的方法通常用于处理大量不正确的对象边界框,这是由于缺少对裁剪区域的额外查看.本文提出了一种有效的解决方案,以最小的代价在每个裁剪区域内实现视觉模式的求解.我们的框架建立在 ...
Bilateral attention network for RGB-D salient object detection阅读笔记
IEEE 2021 Zhao Zhang; Zheng Lin; Jun Xu; Wen-Da Jin; Shao-Ping Lu; Deng-Ping Fan 论文地址一.简介提出了双边注意模块 ...
D2C-Net: A Dual-branch, Dual-guidance and Cross-refine Network for Camouflaged Object Detection阅读笔记
IEEE Transactions on Industrial Electronics 2021 Kang Wang; Hongbo Bi; Yi Zhang; Cong Zhang; Ziqi Li ...
Depth-Guided Camouflaged Object Detection阅读笔记
arXiv 2021 Jing Zhang, Yunqiu Lv, Mochu Xiang, Aixuan Li, Yuchao Dai, Yiran Zhong 论文地址一.简介探索深度信息对伪 ...
Mutual Graph Learning for Camouflaged Object Detection阅读笔记
CVPR 2021 Qiang Zhai, Xin Li, Fan Yang, Chenglizhao Chen, Hong Cheng, Deng-Ping Fan https://arxiv.or ...

论文：CenterNet: Keypoint Triplets for Object Detection 阅读笔记

论文：CenterNet: Keypoint Triplets for Object Detection 阅读笔记相关推荐

最新文章

热门文章