晚期指标检测钻研以anchor-based为主，设定初始anchor，预测anchor的修改值，分为two-stage指标检测与one-stage指标检测，别离以Faster R-CNN和SSD作为代表。起初，有研究者感觉初始anchor的设定对准确率的影响很大，而且很难找到完满的预设anchor，于是开始一直得钻研anchor-free指标检测算法，意在去掉预设anchor的环节，让网络自行学习anchor的地位与形态，在速度和准确率下面都有很不错的体现。anchor-free指标检测算法分为两种，一种是DenseBox为代表的Dense Prediction类型，密集地预测的框的绝对地位，另一种则是以CornerNet为代表的Keypoint-bsaed Detection类型，以检测指标关键点为主。
本文次要列举几种Keypoint-based Detection类型的网络，次要波及以下网络：
- CornerNet
- ExtremeNet
- CenterNet
- CenterNet(Object as Point)
- CSP
- CornerNet-Lite
- RepPoints
- CentripetalNet
- SaccadeNet
- RepPointsV2
- CPNDet
- FSAF
CornerNet
CornerNet将指标检测定义为左上角点和右下角点的检测。网络结构如图1所示，通过卷积网络预测出左上角点和右下角点的热图，而后将两组热图组合输入预测框，彻底去除了anchor box的须要。论文通过试验也表明CornerNet与以后的支流算法有相当的性能，创始了指标检测的新范式。
CornerNet的构造如图4所示，应用hourglass网络作为骨干网络，通过独立的两个预测模块输入两组后果，别离对应左上角点和右下角点，每个预测模块通过corner池化输入用于最终预测的热图、embedding向量和偏移。
ExtremeNet
ExtremeNet通过检测指标的四个极点进行指标定位，如图1所示。整体算法基于CornerNet的思维进行改良，应用五张热图别离预测指标的四个极点以及核心区域，将不同热图的极点进行组合，通过组合的几何核心在中心点热图上的值判断组合是否符合要求。另外，ExtremeNet检测的极点可能配合DEXTR网络进行指标宰割信息的预测。
CenterNet
CornerNet将目前罕用的anchor-based指标检测转换为keypoint-based指标检测，应用角点对示意每个指标，CornerNet次要关注指标的边界信息，不足对指标外部信息的获取，很容易造成误检，如图1所示。为了解决这个问题，论文提出CenterNet，在角点对的根底上退出核心关键点组成三元组进行检测，既能捕获指标的边界信息也能兼顾指标的外部信息。另外，为了更好地提取特色，论文还提出了center pooling和cascade corner pooling，别离用于更好地提取核心关键点和角点。
CenterNet(Object as Point)
CenterNet算法将检测指标视为关键点，先找到指标的中心点，而后回归其尺寸。首先将输出的图片转换成热图，热图中的顶峰点对应指标的核心，将顶峰点的特征向量用于预测指标的高和宽，如图2所示。在推理时，只须要简略的前向计算即可，不须要NMS等后处理操作。比照上一篇同名的CenterNet算法，这个算法更简洁且性能足够弱小，不须要NMS等后处理办法，可能拓展到其它检测工作中。
CSP
CSP的网络结构大抵如图1所示，在骨干网络上别离预测指标中心点的地位及其对应的尺寸。这篇文章的整体思维与CenterNet(zhou. etc)基本一致，但不是剽窃，因为是同一个会议上的论文，CenterNet次要钻研惯例的指标检测，而这篇次要钻研人脸检测和行人检测。但CSP依然须要进行NMS的后处理，较CenterNet更逊色一些，但不障碍咱们进行简略地理解，包含学习论文的训练方法以及参数。
CornerNet-Lite
CornerNet作为Keypoint-based指标检测算法中的经典办法，尽管有着不错的准确率，但其推理很慢，大概须要1.1s/张。尽管能够简略地放大输出图片的尺寸来减速推理，但这会极大地升高其准确率，性能比YOLOv3要差很多。为此，论文提出了两种轻量级的CornerNet变种：CornerNet-Saccade和CornerNet-Squeeze。
CornerNet-Saccade在可能呈现指标的地位的小区域内进行指标检测，首先通过放大的残缺图片预测attention特色图，取得初步的预测框地位以及尺寸，而后在高分辨率图片上截取以该地位为核心的图片区域进行指标检测。
在CornerNet中，大多数的计算工夫花在骨干网络Hourglass-104的推理。为此，CornerNet-Squeeze联合SqueezeNet和MobileNet来缩小Hourglass-104的复杂度，设计了一个新的轻量级hourglass网络。
RepPoints
经典的bounding box尽管有利于计算，但没有思考指标的形态和姿势，而且从矩形区域失去的特色可能会受背景内容或其它的指标的重大影响，低质量的特色会进一步影响指标检测的性能。为了解决bounding box存在的问题，论文提出了RepPoints这种新型指标示意办法，可能进行更细粒度的定位能力以及更好的分类成果。
RepPoints是一个点集，可能自适应地突围指标并且蕴含部分区域的语义特色。论文基于RepPoints设计了anchor-free指标检测算法RPDet，蕴含两个辨认阶段。因为可变形卷积可采样多个不规则散布的点进行卷积输入，所以可变形卷积非常适宜RepPoints场景，可能依据辨认后果的反馈进行采样点的疏导。
CentripetalNet
CornerNet关上了指标检测的新形式，通过检测角点进行指标的定位，在角点的匹配上，减少了额定embedding向量，向量间隔较小的角点即为匹配。而论文认为，这种办法不仅难以训练，而且仅通过物体外表进行预测，不足指标的地位信息。
CentripetalNet的外围在于提出了新的角点匹配形式，额定学习一个向心偏移值，偏移后足够近的角点即为匹配。如图2所示，CentripetalNet蕴含四个模块，别离为：
- 角点预测模块(Corner Prediction Module)：用于产生候选角点，这部分跟CornerNet一样。
- 向心偏移模块(Centripetal Shift Module)：预测角点的向心偏移，并依据偏移后果将相近的角点成组。
- 十字星变形卷积(Cross-star Deformable Convolution)：针对角点场景的变形卷积，可能高效地加强角点地位的特色。
- 实例宰割分支(Instance Mask Head)：相似MaskRCNN减少实例宰割分支，可能晋升指标检测的性能以及减少实例宰割能力。
SaccadeNet
SaccadeNet的构造如图2所示，首先初步预测指标的核心地位以及角点地位，而后利用四个角点地位以及中心点地位的特色进行回归优化。整体思维相似于two-stage指标检测算法，将第二阶段的预测框精调用的区域特色转化为点特色，在精度和速度上都可圈可点，整体思维非常不错。
RepPointsV2
RepPointsV2的整体思维相似与Mask R-CNN，退出更多的工作来监督指标检测算法的学习，具体的实现办法是在原网络上退出辅助分支(auxiliary side-branches)的模式，有监督地进行学习，辅助分支可能优化两头特色以及进行联结检测。
CPNDet
本文为CenterNet作者发表的，作者认为acnhor-free办法通常会呈现大量的误检，须要一个独立的分类器来晋升检测的准确率。于是联合acnhor-free办法和two-stage范式提出了Corner-Proposal-Network(CPN)，残缺的构造如图2所示。首先应用anchor-free办法提取关键点，遍历关键点组合成候选框，最初应用两个分类器别离对候选框进行误检过滤以及标签预测。
如果本文对你有帮忙，麻烦点个赞或在看呗～
更多内容请关注 微信公众号【晓飞的算法工程笔记】