论文：https://arxiv.org/abs/2007.13816
代码：https://github.com/Duankaiwen/CPNDet（预计2020年8月开源）
1. 论文与摘要
《Corner Proposal Network for Anchor-free,Two-stage Object Detection》
无锚点两阶段目标检测的角点建议网络
摘要：目标检测的最终目的是要从图片中确定检测目标的类别和位置。本文提出了一个无锚点的两阶段检测框架，该框架第一阶段通过角点确定提取感兴趣区域，然后在第二阶段给这些区域附上标签。实验证明，这个两阶段的检测器能端到端的训练，并且非常有效的提高目标的召回率和检测精度。我们的方法叫做CPNDet，它能检测任意不同的形状，并且能够有效的避免误检。该方法在COCO数据集上达到了49.2%的mAP，达到了当前最先进的检测效果。该方法的推理阶段也十分高效，mAP为41.6%/39.7%时的检测速度为26.2/43.3FPS，非常有竞争力。开源代码地址：https://github.com/Duankaiwen/CPNDet。
2. 方法与实现
2.1 Anchor-based or Anchor-free?
作者的核心观点是：基于无锚点的方法能更好的定位任意形状的目标，因此具有更高的召回率。
基于锚点的方法要根据经验设置锚点，这些算法不够灵活，并且对于特殊形状的物体容易漏检。如下表所示，基于锚点的Faster R-CNN的召回率较低，特别是对于大目标和目标长宽比大于5:1的情况下（因为这种长宽比下没有定义锚点）。
如下图所示：
2.2 One-stage or Two-stage?
鉴于CornerNet角点标签预测不准确的情况，作者采用两阶段的方法解决该缺点。作者首先将得到的感兴趣区域进行二分类，去掉误检，紧接着用一个多分类重新给类别附上标签。由于第一阶段的二分类去掉了80%的proposals，提高了检测效率。第二阶段利用了proprosals内部的信息，所以分类更加准确。
第一阶段二分类的损失函数如下：
N：正样本的数量；
p m：是物体的概率得分；
IOUm: 物体与ground-truth的最大交并比。
第二阶段分类器的损失函数如下：
q(m,c): 第m个物体属于第c类的得分。
2.3 网络的整体架构
算法框架如下图所示：
整体的损失函数：
注：前两项代表关键点定位和偏移的损失，后两项代表二分类和多分类的损失。
3. 推理阶段与实现细节
1. 推理阶段
推理阶段和训练过程类似，只不过设置了阈值过滤掉低质量的proposals。由于proposals的预测侧分都偏低，因此作者选择了相对较低的阈值（论文中的阈值设置为0.2），从而让更多的proposals保留下来。当阈值设置为0.2时，平均被保留下来的感兴趣区域大约占总数量的20%，二分类所用的计算量约为多分类计算量的10%，这使第二阶段更具有竞争力。
对于每一个在第二阶段保留的proposals，用S1表示角点的分类得分（由于两个角点的得分不同，因此去两个角点的平均得分作为S1），S2表示多分类的得分。通过一下公式计算最终的类别得分：Sc = (S1 + 0.5)(S2 + 0.5)， 最后将Sc标准化到[0,1]。最后，作者选取得分最高的100个proposals进行评估。由下表可知，两个分类器起到了信息互补的作用，使检测的精度得到大幅提高。
2. 实现细节
作者运用Pytorch平台，代码参考了CornerNet，mmdetection和Centernet。作者用CornerNet和CenterNet作为baselines, 使用HG-104、HG-52和DLA-34作为主干网络来提取角点信息。主干网络的改动主要参考CenterNet，但是用普通层代替了可变形卷积层（个人观点，可能是因为考虑到部署问题）。
训练过程，除了DLA-34用了预训练模型，其他的模型选择随机初始化。运用Cascade corner pooling使网络更好的检测角点，图片的输入为512x512,经过四倍下采样后得到的特征图为128x128。使用Adam优化器，batch size设置为48，初始学习率为2.5 × 10 −4, 训练5K次迭代后学习率变为之前的0.1倍。
测试过程均使用来了水平翻转的数据数据增强，采用多尺度测试时分辨率分别为（0.6×, 1×, 1.2×, 1.5×, and 1.8×），采用soft-NMS过滤重框，最终选择得分最高的100个框进行评估。
4. 实验与效果
精度对比：
速度对比：
效果对比：
5. 总结
这篇文章，作者提出了一个无锚点、两阶段的目标检测框架。该方法首先提取关键点，通过组合关键点生成感兴趣区域。然后将感兴趣区域送入两阶段的分类器中过滤掉误检。该算法使目标的召回率和精度都得到了大幅提高，最终的结果排在现有检测算法前列。
更重要的是，基于无锚点的检测方法更加灵活的提取proposal，通过二分类器提高了检测精度。当我们应用这个优秀的两阶段检测框架时，能高效的完成检测任务。因此，关于使用一阶段的检测器还是两阶段的检测器似乎就不那么重要了。
以上是博主对论文的理解，如需交流请留言或者QQ:1151583746.