网站一直不被收录,在网站上做广告,个人如何制作网站,网站做淘宝客CornerNet论文链接
Hourglass Network论文链接
一.背景
1.anchor-base缺点
(#xff11;)#xff0e;anchor的设置对结果影响很大,不同项目这些超参都需要根据经验来确定#xff0c;难度较大#xff0e;
(#xff12;)#xff0e;anchor太过密集)anchor的设置对结果影响很大,不同项目这些超参都需要根据经验来确定难度较大
()anchor太过密集其中很多是负样本引入了不平衡
()anchor的计算涉及IOU增加计算复杂度
二.网络介绍
1.网络结构
网络总共有两个分支一个分支有三个输出主要包含heatmap,embedding,offsets. single hourglass module示例
2.网络推理
预测左上角角点heatmap右下角角点heatmap和embedding用于匹配角点从而形成一对, 而offsets用于最终矫正角点 为什么没有预测中心点作者认为角点只需要依赖目标的两个方向而中心点需要依赖目标的四个方向同时采用corner pooling编码一些角点的先验信息 3.corner pooling
作者认为box的角点经常超出目标不太好定位对于左上角角点水平方向从右往左替换为看到的最大像素值,垂直方向从下往上替换为看到的最大像素值在相邻点进行像素相加从而丰富左上角角点信息 4.heatmap与相应focal loss(分类)
heatmap就是角点的热力图通道数为类别数C 对于角点半径周围与gt box的IOU为0.3的box的负样本没必要完全贡献loss因为角点附近的负样本构成的box也能挺好覆盖目标对于处于框内的角点,loss按照高斯分布来进行分配 对于heatmap采用focal loss: pcij:预测 score
ycij:gt heatmap
α,β: 超参用来控制loss
5.embedding与相应loss
用于左上角点与右上角点的匹配找到距离最小的也就是同一个目标的角点 etk:左上角点的embedding ebk:右下角点的embedding ek :etk和ebk的平均
对于一对匹配的角点通过Lpull去拉得紧凑对于不匹配的通过Lpush去分离角点
6.offsets与相应losssmooth L1
用offests来轻微矫正角点位置从而让检测框更加紧凑 x,y是原图坐标,n是下采样倍数 这里从预测图的heatmap恢复到原图就会有精度损失严重影响小物体所以采用offsets进行修正. ok是offset,(xk,yk)是corner坐标. 采用smoothl1loss来学习offset.
7.loss汇总 作者发现α和β为或者更大的值产生了不好的效果
8.缺点
(1):缺失角点就缺失目标
(2):角点匹配失误导致目标定位出现错位 三.实验结果