CenterNet：Objects as Points–无锚框（anchor-free）系列的目标检测算法

简介

看了很多关于CenterNet：Objects as Points的博文，感觉大多都是将论文中的公式和内容翻译了一遍，所以在通读了论文之后，决定用通俗易懂的语言来介绍给大家，有什么不同观点欢迎讨论，下边进入正题。

论文地址：https://arxiv.org/pdf/1904.07850.pdf
发布时间：2019.4.16
机构：UT Austin，UC Berkeley
代码：https://github.com/xingyizhou/CenterNet

有两个不同CenterNet目标检测算法但是有相同的名称，一个是CenterNet：Objects as Points，另一个是CenterNet：Keypoint Triplets for Object Detection，都是2019年的比较新的目标检测算法，在这里总结的是第一种Objects as Points。第二种CenterNet是完全基于CornerNet改变而来的，在今后更新的博文中会介绍
CenterNet目标检测属于anchor-free系列的目标检测，相比于CornerNet做出了改进，使得检测速度和精度相比于one-stage和two-stage的框架都有不小的提高，尤其是与YOLOv3作比较，在相同速度的条件下，CenterNet的精度比YOLOv3提高了4个左右的点

CenterNet不仅可以用于目标检测，还可以用于其他的一些任务，如姿态估计或者3D目标检测等等，但是这篇文章重点说的是其对目标检测的部分，模型实现了速度和精确度的最好权衡，以下是其性能：MS COCO dataset, with 28:1% AP at 142 FPS, 37:4% AP at 52 FPS, and 45:1% AP with multi-scale testing at 1.4 FPS

网络结构

CenterNet提到了三种用于目标检测的网络
1.Resnet-18 with up-convolutional layers : 28.1% coco and 142 FPS
2.DLA-34 : 37.4% COCOAP and 52 FPS
3.Hourglass-104 : 45.1% COCOAP and 1.4 FPS
每个网络内部的结构不同，但是在模型的最后都是加了三个网络构造分别来输出80个类（文中用的数据集为80类）的置信度、长宽的预测值以及中心点坐标的偏置值

检测过程

论文中用了一堆公式来描述检测过程，整个检测过程的设计简单而巧妙，其实理解以后主要思想可以通过以下过程来描述：
用骨干网络得到图片的特征图之后，通过高斯核函数将关键点分布到特征图上，高斯核函数分布后的值在0~1之间，为了便于理解，下图是高斯核函数分布在特征图后的结果如下所示：

可以看出通过高斯核函数分布后的特征图，目标中心点的位置值为1，也就是说值越大的地方，越有可能是目标中心点，根据这一思想在得出高斯核分布的值之后，在整个特征图上选出100个大于或者等于周围8个相邻值的点作为初步预测的中心点，然后计算每个预测的中心点对应的80个种类的置信度，和中心点偏置预值和框的长和宽，最后选择置信度大于0.3的作为最后的预测结果，其余的全部抛弃，这种方法有效的避免了锚框设计的繁琐以及避免了要计算IoU阈值的非极大值抑制的筛选。

损失函数设计

损失函数由三部分组成，分类损失，框的尺寸损失和中心点偏置损失

Lk为：

采用Focal loss，其中 和 是focal loss的超参数，实验中两个数分别设置为2和4， N是图像中的关键点个数，除以N主要为了将所有focal loss归一化

为

采用L1loss，设计这个损失的原因是因为，图像下采样时，GT的关键点会因数据是离散的而产生偏差，对每个中心点附加预测了个局部偏移，所有类别 c 共享同个偏移预测

为

同样采用L1损失，其中SK为真实尺寸包括长和宽，另一个为预测尺寸也包括长和宽

效果验证

采用论文中训练好的DLA骨干网络，GeForce GTX 1080 Ti的GPU进行验证，速度为每张图38ms到40ms，检测速度还是很快的，准确度也还行

总结

这篇文章总的来说结构非常的清晰简单，效果也非常的不错，是一篇非常不错的文章。但是其实在论文中是没有提到用分类置信度大于0.3来筛选的（也可能是我没看到）， 我是在代码中看到的这么个筛选过程，可能作者也觉得这么鲁莽的选择一个0.3为阈值不太好，所以并没有提。这也可以作为这个算法的一个优化方向了，如果有合理的阈值选择方法，相信精确度会更高一些
我也正在用自己的数据集来训练这个网络，但是结果还没有出来，结果出来之后可能会补上结果