CenterNet++ 用于对象检测
论文：https://arxiv.org/abs/2204.08394
摘要
目标检测有两种主流：自顶向下和自底向上。最先进的方法大多属于 第一类。在本文中，我们证明了自下而上的方法与自上而下的方法一样具有竞争力，并且具有更高的召回率。我们的方法名为 CenterNet，将每个对象检测为三个关键点（左上角和右下角以及中心关键点）。我们首先通过一些设计的线索对角进行分组，并通过中心关键点进一步确认对象。角关键点使该方法能够检测各种尺度和形状的对象，中心关键点避免了大量假阳性提议带来的混乱。我们的方法是一种无锚检测器，因为它不需要定义明确的锚框。我们将我们的方法应用于具有不同结构的主干，即“沙漏”状网络和“金字塔”状网络，它们分别在单分辨率特征图和多分辨率特征图上检测对象。在 MS-COCO 数据集上，带有 Res2Net-101 和 Swin-Transformer 的 CenterNet 分别实现了 53.7% 和 57.1% 的 AP，优于所有现有的自下而上检测器并达到了最先进的水平。我们还设计了一个实时的CenterNet，它在精度和速度之间取得了很好的平衡，在 30.5 FPS 时 AP 为 43.6%。
https://github.com/Duankaiwen/PyCenterNet。
1 简介
当前，目标检测主要存在两类：自下而上的检测方法[12]、[30]、[31]、[69]和自上而下的方法[9]、[10]、[ 38]，[46]。 人们认为自下而上的方法可能会耗费时间并引入更多的误报，而自上而下的方法由于其在实践中的有效性逐渐演变为主流方法。 所有自上而下的方法将每个对象建模为先验点或预定义的锚框&