【论文阅读】CentripetalNet：目标检测新网络，COCO 48 % AP超现所有Anchor-free网络

2023年4月8日上午9:56 • 目标检测

论文：https://arxiv.org/pdf/2003.09119.pdf
代码：https://github.com/KiveeDong/CentripetalNet
**出处：**西交，商汤，中科院，北大
关键词： anchor-free， coco48%

摘要: 基于关键点的检测器具有良好的性能。然而，不正确的关键点匹配仍然是普遍存在的，并极大地影响了探测器的性能。在这篇文章中，我们提出使用向心位移来对同一实例中的角点进行配对的中心网。向心力可以预测角点的位置和向心移动，并匹配移动结果对齐的角。结合位置信息，我们的方法比传统的嵌入方法更准确地匹配角点。角池将边界框内的信息提取到边界上。为了使这些信息在角落里更容易被察觉，我们设计了一个交叉星可变形卷积网络来进行特征适应。此外，我们还研究了基于无锚检测器的实例分割

通过给我们的中心距配备一个掩模预测模块。在MS-COCO test-dev上，我们的离心talnet不仅以48.0%的AP性能优于所有现有的无锚检测器，而且以40.2%的askAP性能可与最先进的实例分割方法相媲美

1. 简介

基于anchor-based的方法存在的问题：

anchor尺寸的设置。yolo中采用kmeans
正负样本的均衡问题。一般是1：3；或者focal loss手段；

anchor free方法的发展过程：

cornornet
centernet

基于cornornet的方法需要判断两个点是否是同一个物体的。（这个没有看）传统的方法是通过关联嵌入来进行判断的。而且这种方法也取得了比较好的效果。（但是肯定是不够好的????）

问题：

在训练过程中，网络实际上是被训练来寻找对角线上所有潜在点中唯一的匹配点。它对异常值高度敏感，当一个训练样本中有多个相似对象时，训练难度会急剧增加
（大概的意思就是，相似物体容易出现匹配错误的情况，比如：相似的物体A,B，A的左上容易和B的右下匹配）
关联嵌入的匹配方式是基于外观的，所以对相似物体容易匹配错。例下图。

解决方案
论文提出了一种新颖的向心偏移角匹配方法，以及一种能够更好地预测向心偏移的交叉星形可变形卷积模块。也就是一种新的匹配方法，一种新的卷积。

新匹配方法：给定一对角，我们定义一个二维向量，即。，向心位移，对于每个角，向心位移编码空间偏移从角落到盒子中心点。这样，每个角都可以根据向心位移产生一个中心点，因此如果两个角同属一个边界盒，它们所产生的中心点应相近。（匹配中就用到了物体feature+距离信息）。匹配的质量可以用两个中心之间的距离和匹配的几何中心来表示
cross-star deformable convolution：。。。