【ExtremeNet】: Bottom-up Object Detection by Grouping Extreme and Center Points

2019年的论文

概述

---

• 要解决的问题
  • 针对Anchor问题来进行思考的设计
• 采用的方法
  • One stage
  • 仿CornerNet，但是CornerNet是使用的 左上角和右下角两个点检测，而本论文是对top, left, bottom, right四个极端点，再加上一个center点来进行检测。
  • 借鉴了DEXTR的极端点方法。
• 结果如何
  • 在One-stage的方法上，COCO数据集表现是非常不错，state-of-the-art，可以看后面的结果
  • on-par with the state-of-the-art region-based method
  • 在COCO test-dev上bounding box的AP为43.2%。
  • 此外，用这个方法还做了一些粗糙的分割，COCO Mask AP是18.9%，much better than the Mask AP of vanilla bounding boxes。甚至在后面的结果中，加上DEXTR可以使Mask AP提升到34.6%
• Contributions
  • 将几个方法结合起来用到了目标检测上吧。。。

代码

细节

---

• 上图就是网络大致的结构图：
  • backbone是Hourglass Network，最终生成的是$4\ast C\ast H\ast W$的left，top, right, bottom的Extreme point heatmap，以及 C ∗ H ∗ W 的 C*H*W的