CenterNet: Keypoint Triplets for Object Detection
PDF: https://arxiv.org/pdf/1904.08189.pdf
PyTorch: https://github.com/shanglianlm0525/PyTorch-Networks
Our intuition is that, if a predicted bounding box has a high IoU with the ground truth box, then the probability that the center keypoint in its central region is predicted as the same class is high, and vice versa.
本文创新点:
- CenterNet通过增加一个关键点来探索proposal中间区域（近似几何中心）的信息, 如果预测的边界框与ground truth有较高的IoU,则中心关键点预测出相同类别的概率要高，反之亦然。
- 采用了一种scale-aware方法来自适应地确定中心区域大小。对于大目标则给予相对小的中心区域，对于小目标则给予相对大的中心区域。
将候选框分成n*n个格子，取中间那个格子作为中心区域，CenterNet 将边界框小于150的设置n为3，大于150的设置n为5。
文中用到的scale-aware的中心区域
3) 设计了center pooling和cascade corner pooling模块来提取中心点和角点的特征。
Center pooling： 每个点的值 = max(水平点) + max(垂直点)
实现方式：水平corner pooling + 垂直corner pooling
Cascade corner pooling: 边界上的最大值 + 内部的最大响应值的
实现方式： left pooling + top pooling / right pooling + bottom pooling
文中用到的center pooling module 和 corner pooling module模块结构：
CenterNet网络结构:
Pipeline
（1）使用Hourglass作为backbone提取图像的feature。
（2）使用Cascade Corner Pooling模块提取图像的Corner heatmaps，并采用与CornerNet中一样的方法，根据左上角和右下角点，得到物体的bounding box。
（3）使用center pooling得到目标的center heatmap，进而计算得到目标的中心点。
（4）对步骤2中得到的bbox使用中心点信息对bbox进一步过滤。
PyTorch代码:
