以下内容将介绍ECCV2018的一篇目标检测的文章《CornerNet: Detecting Objects as Paired Keypoints》。该文章讲述了一个老子就是不用anchor boxes的还能做目标检测的故事。对了据说代码公布了（反正我下载的时候里面是缺东西的）。
这篇文章为什么让我喜欢看呢
1.你们用anchor boxes但我就不用
2.有了一种新的pooling方式，corner pooling
3.将很多人体姿态识别的方法和思想用到了目标检测
4.我们小组汇报我得汇报这一篇
CornerNet的动机
他的作者为什么要提出这么一个方法呢？
1.他说anchor boxes的方法画的框框太多了很麻烦，很慢。（这个方法在MS COCO上，使用Titan X（PASCAL）GPU，平均检测时间为244ms per image, 快不快大家自己感受）。
2.anchor boxes引入了许多超参数和设计选择，好多个boxes啊、大小啊、长宽比啊，再想想要配合多尺度检测，哎呀，我好柔弱…
3.啊我们有了新的pooling方法–corner pooling
那不如，我们就不用anchor boxes了吧，我们就只用两个点吧：我们找出目标物体左上角和右下角的两个点，是不是就可以成功画出这个物体外边的框框了？是。
就像下面酱紫：
（其实作者在夸自己方法好的时候，有的时候我觉得很不靠谱，他说他们可能好的原因之一，是因为你确定box的中心要考虑四边，但是我们确定两个顶角只用考虑两边。其实我觉得照着他们的这种画外接矩形的方法，知道两边也可以确定中心，是一样的…不过不知道自己有没有理解错）。
CornerNet框架
那不如就正式看一下到底是怎么两点画框框的吧。
网络总的来说长这样。
主要是一个沙漏网络加上两个预测模块。这个沙漏网络Hourglass Network，是一个人体姿态估计方向的一个方法，本宝宝不懂，为大家指一下论文，告退。
两个预测模块一个用于预测左上角那个点，另一个预测右下角那个点。每个预测模块的输出分为Heatmaps，Embedding，和offsets三个部分，他们分别的作用是指出角点的位置，角点配对，偏差矫正，我们后面慢慢具体介绍。
prediction module(corner pooling)
看一下这篇文章的亮点集中部分，预测模块部分，单独拿出一个预测模块分解（就拿左上角角点的预测模块好了）
首先它长这样。它需要预测左上角那个点的位置，它属于哪个类别，以及预测位置的偏移量。
backbone指的是Hourglass Network。
网络里面什么卷积啊什么激活啊大家就自己看吧啊，前面放出来的代码链接里面也有这部分的代码，请君自己动手。
这部分里，主要的亮点就是画红框框的那部分corner pooling，然后解释一下他的输出。
corner pooling
从上面那张图我们可以看到corner pooling模块就是在两个feature map上面分别做了一个神奇的pooling，将得到的结果加和然后输出。
这个神奇的pooling展示如下(以左上角角点预测的corner pooling为例)
我们庸俗的来谈一谈上图的意思：就是两张feature map， 取同一个位置，对第一个feature map上的这个位置的像素点，从它开始一直向下这一列所有的像素点，取它们最大值（就是取这一列做max pooling）；对第二个feature map上的这个位置的像素点，从它开始向右这一行所有像素点，取它们的最大值（max pooling+1），将这两个最大值相加，就是这个位置的输出。对所有位置进行这个操作，得到一个完整的output，这就是一个完整top-left corner pooling。
为什么会想到要这样pooling呢？ 你想想，你要是高楼的最左上角那块砖，你是不是向左看，向下看都能看到你的同伴，把pooling也这样设计，是不是很神奇。
同理，bottom-right corner pooling就是向上看取最大值，向左看取最大值，然后加起来。
output
prediction module的output，也就是整个模型的output。主要分为heatmap，Embedding，offset。
heatmap：有C个chanel，C是目标类别数。没有背景chanel。每个chanel都是二进制掩模，用于表示角点的位置，是的，就是我们的终极目标找到点。
Embedding：用于角点配对。你有一堆top-left corners，又有一堆bottom-right corners，那你哪儿知道谁该跟谁是一对儿画框框。这里是用了人体姿态估计中，配对关节点的思想，为每个角点配一个Embedding，就把它当成是一个身份牌。每个对象的身份牌颜色都不一样，拿到同一种颜色身份牌的就是一家子了。这里就是embedding值最相近的top-left corner和bottom-right corner配成一对去画框框。
offset：偏移。为什么要计算这个东西呢。作者的实验里，输入是511∗511 511*511511∗511（好像我记得），但是heatmap是128∗128 128*128128∗128。把输入上的点(x,y) (x,y)(x,y)隐射到heatmap上，就得是
，先甭管人家算出来结果是多少，看到取整符号就知道要损失精度，再把heatmap上找到的位置映射回去的时候，那肯定就不准了呀，于是就有了offset（128∗128∗2，x，y 128*128*2，x，y128∗128∗2，x，y两个方向的偏移）。
这三个东西怎么组合在一起呢？在Testing Details里面作者有这样写。先对heatmap非极大值抑制 ，然后取top 100 的top-left和top 100 的bottom-right的角点，然后用offset矫正这些角点的位置。随后计算top-left和bottom-right角点Embedding的L1距离，距离大于0.5或者包含不同类别的角点不配携手走进婚姻的殿堂。能走进婚姻殿堂的就领证结婚，这一对就可以用来画框框了。
loss
我是一个慵懒的人，谈到loss的时候，我会慵懒的随便谈谈。
看到了伐，总的loss长这样。第一部分是一个focal loss的变形，用于控制heatmap；第二部分和第三部分用于控制角点的组合与分离；第三部分用于控制偏移。α，β，γ是超参（作者反正取了0.1，0.1，1）。我们分开稍微谈一谈。
第一部分
长这个鬼样子，其中pcij是预测的heatmap对于c类位置(i,j)的给分；ycij是用非标准化高斯函数增强过的ground-truth heatmap。
非标准化高斯函数增强这个操作呢？因为呀，你给ground-truth的时候，是不是就是给了一个标准的点的位置（正位置），但其他的位置（负位置）也不是完全不对的呀，你像离正位置非常近的点，画出来的框框，有时也能完全框出物体的呀。因此以正位置为圆心画圆，落在能接受半径内的点的惩罚，应该和圈外的惩罚是不一样的，作者为圈儿内的点设计了惩罚的减少量，一个非标准化的2D高斯
。其中心位于正位置，其σ是半径的1/3。这个半径大小得保证半径内的点生成的边框与ground-truth的IOU大于阈值（作者给了0.7），这样算出来的。这样子1−ycij就正好可以减少正位置周围的惩罚啦。（作者是这样讲的，由于我数学不好，具体为什么那个位置周围惩罚项会减少，我得多想段时间，想明白了再回来删了这句话吧。）
第二部分和第三部分
。。。。。太多了，复制不过来，点超链接看原文吧。。。。
实验
到了这里我就知道我要写完了，哈哈哈哈哈哈
实验在Titan X（PASCAL）上跑了MS COCO这个库。
做了个实验证明corner pooling有作用，又做了个实验证明角点位置的确定是关键。实验结果就不放了。
然后对比了其他方法，结果是这样的
在one-stage里我们可牛了。我们还跟two-stage有得一比呢。
大家就自己看吧。
我写完了，溜了溜了。
---------------------
作者：ErinCC
来源：CSDN
原文：https://blog.csdn.net/sinat_33301339/article/details/82988945?utm_source=copy
版权声明：本文为博主原创文章，转载请附上博文链接！