文章目录
*
–
+ 1、CornerNet 和ExtremeNet
+ 2、CenterNet模型流程
+ 3、Backbone
+ 4、Heatmap与Loss
+
* 4.1 如何规定Heatmap GroundTruth
* 4.2 Heatmap Loss
* 4.3 WH Loss
* 4.4 offse Loss
* 4.5 Total Loss 和 decode
CenterNet网络框架：
; 1、CornerNet 和ExtremeNet
CornerNet ：预测左上角的点和右下角的点，共2个点；
ExtremeNet：预测最上面的点，最下面的点，最左边的点，最右边的点，中间的点，共5个点；
2、CenterNet模型流程
CenterNet预测中心点，中线点的宽高，中心点的残差；如下图，H x W x C中的C是类别数，
问题：为什么输出heads的wh和offset是2个通道，而不是2 × \times ×C呢？
答：因为在预测heatmap的时候会进行一些操作后，只取1个点，所以wh和offset只需预测2个通道。
优势：CenterNet会比基于anchor的检测模型减少误检
; 3、Backbone
Hourglass:主要用于关键点检测，效果好，缺点是权重多
Resnet：速度快，但效果不好
DLA：折中的方案
4、Heatmap与Loss
4.1 如何规定Heatmap GroundTruth
网络在预测heatmap中心点的时候，不是只在一个点为1，其他点为0；而是一个高斯分布，类似于山峰的形状，只要预测的中心点在这个高斯分布区域里面就可以
高斯分布的公式：
下面求出 r \ r r ，分为3种情况，下面依次介绍，
首先介绍一下CornerNet，红框是GroundTruth，绿框是预测的，则预测框和GT有3种情形，分别计算IOU（3种情形的IOU保持一致），这里取IOU为0.7，再求出半径 r ，然后选出3种 r 的 最小值 。
（1）GT在预测框之内
overlap相当于IOU
（2) GT在预测框之外
; 4.2 Heatmap Loss
这是原始的Focal Loss，Y ^ \hat{Y}Y ^是predict，Y Y Y是GT，
这是改进后的Focal Loss，即GT越接近于1，( 1 − Y x y c ) β (1-Y_{xyc})^\beta (1 −Y x yc )β越小，相应的非正样本的Loss就越小，α \alpha α和β \beta β是超参数，
为什么要在前面乘以( 1 − Y x y c ) β (1-Y_{xyc})^\beta (1 −Y x yc )β？我的答案：想让网络较少地学习接近于1的参数，这样网络就会较多地学习Y x y c = 1 Y_{xyc}=1 Y x yc =1时的参数。
4.3 WH Loss
采用的是L1 Loss，
; 4.4 offse Loss
比如原图是512×512，进行4倍下采样后变成128×128，然后再乘4倍后一定会有精度的损失，所以需要计算offset的回归，x k n \frac{x_k}{n}n x k 是没有损失精度的float类型，[ x k n ] [\frac{x_k}{n}][n x k ]是int类型，是损失精度的，
4.5 Total Loss 和 decode
Loss包括Heatmap Loss,宽高的Loss，为了避免检测大物体的影响，需要在前面乘以λ s i z e \lambda_{size}λs i ze ，λ s i z e \lambda_{size}λs i ze 设置为0.1，以及offset Loss；
下面2行是解码过程；
Original: https://blog.csdn.net/qq_23022733/article/details/126007544
Author: 全息数据
Title: CenterNet目标检测【详解】
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/687010/
转载文章受原作者版权保护。转载请注明原作者出处！