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

最新推荐文章于 2024-04-25 09:56:34 发布
最新推荐文章于 2024-04-25 09:56:34 发布
阅读量1k 收藏 6
点赞数 1
分类专栏： 论文阅读 Machine Learning
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/github_37973614/article/details/88077682
版权
ExtremeNet是2019年提出的一种目标检测方法，它模仿CornerNet但增加了中心点检测，形成了一种底部向上的一阶段检测器。通过消除 Anchor，使用极端点和中心点的热力图，结合中心点聚类算法匹配框。在COCO数据集上，ExtremeNet达到了43.2%的bbox AP和18.9%的Mask AP，表现出色。文章还解决了Ghost box和边缘聚合问题，提高了检测精度。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

在这里插入图片描述
2019年的论文

文章目录

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

在这里插入图片描述

  • 上图就是网络大致的结构图：
    • backbone是Hourglass Network，最终生成的是 4 ∗ C ∗ H ∗ W 4*C*H*W 4∗C∗H∗W的left，top, right, bottom的Extreme point heatmap，以及
最低0.47元/天 解锁文章
线框检测：End-to-End Wireframe Parsing【方法解读】
sinat_39783664的博客
08-29 672
“线框检测”方法解读：End-to-End Wireframe Parsing
基于视觉的机器人抓取: 论文及代码(Vision-based Robotic Grasping: Papers and Codes)
热门推荐
dsoftware的博客
10-22 2万+
最近总结了基于视觉的机器人抓取的相关论文及代码，同步于github。根据抓取的类别，基于视觉的机器人抓取可以分为两类：2D平面抓取以及6D空间抓取。这个页面总结了近年来涉及到的各种各样的方法，其中大部分都使用了深度学习。总结的中文框架结构如下： 0.综述论文 1. 2D平面抓取 这类方法将抓取，用平面内旋转的矩形框表示； 1.1基于RGB或者RGB-D的方法 采用基于目标检测类的方法，直接得到2D...
One-stage目标检测最强算法 ExtremeNet源码
02-18
目前(2019-01-26) one-stage目标检测中最强算法：ExtremeNet。
论文学习笔记ExtremeNet（Bottom-up Object Detection by Grouping Extreme and Center Points）
Custom自定义
01-29 1万+
『写在前面』 目标检测新思路，检测目标极值点而不是回归包围框。 作者机构：Xingyi Zhou等，UT Austin 文章标题：《Bottom-up Object Detection by Grouping Extreme and Center Points》 原文链接：https://arxiv.org/pdf/1901.08043.pdf 相关repo：https://githu...
ExtremeNet:Bottom-up Object Detection by Grouping Extreme and Center Points
Bruce_0712的博客
10-18 439
论文：《Bottom-up Object Detection by Grouping Extreme and Center Points》 CVPR2019 论文地址：https://arxiv.org/pdf/1901.08043.pdf 代码：https://github.com/xingyizhou/ExtremeNet 原文链接：https://blog.youkuaiyun.com/chunfengyanyulove/article/details/99181340 ...
Bottom-up Object Detection by Grouping Extreme and Center Points 论文笔记
阿木寺的博客
02-16 1704
Summary：德克萨斯大学提出：One-stage目标检测最强算法 ExtremeNet Author：Amusi Date：2019-02-11 微信公众号：CVer GitHub：https://github.com/amusi/TensorFlow-From-Zero-To-One 原文链接：德克萨斯大学提出：One-stage目标检测最强算法 ExtremeNet 知乎：https://...
【论文笔记】：Bottom-up Object Detection by Grouping Extreme and Center Points
Activewaste
10-16 486
&Title: Bottom-up Object Detection by Grouping Extreme and Center Points 代码地址 &Summary 提出一种目标检测的新思路：首先通过标准的关键点估计网络来检测4个极值点和1个中心点，然后通过几何关系对提取到的关键点进行分组，一组极值点（5个）就对应一个检测结果。 使得目标检查问题转化成了一个纯粹的基于外...
论文阅读：Bottom-up Object Detection by Grouping Extreme and Center Points
Kivee的博客
02-28 721
ExtremeNet 文章   本文是继Corner-Net和Grid R-CNN之后第三篇用关键点检测做目标检测的。本文会检测每类物体的4个边缘关键点（最上，最下，最左，最右）以及1个中心点，然后根据边缘点和中心点的对齐关系找到每个物体的bbox。和CornerNet相比，本文的方法找的是物体边缘上的关键点，因此不会存在找bbox corner那种local visual evidence不足的...
【论文阅读】【二维目标检测】Anchor Free的2D Object Detection的方法总结
麒麒哈尔的博客
09-02 1718
目录Anchor Free 想要解决的问题早期探索DenseBoxYOLOv1cornercenter3D Object Detection相关博客： Anchor Free的Object Detection的多个方法被提出来，我最近也是集中地看了几篇Anchor Free的文章，文章来源是奇点汽车美研中心首席科学家兼总裁黄浴先生的的一篇总结。这篇文章中罗列Anchor Free的一些方法，但比较...
【目标检测】ExtremeNet:Bottom-up Object Detection by Grouping Extreme and Center Points
zhw864680355的博客
05-10 562
论文：《Bottom-up Object Detection by Grouping Extreme and Center Points》 CVPR2019 论文地址：https://arxiv.org/pdf/1901.08043.pdf 代码：https://github.com/xingyizhou/ExtremeNet 原文链接：https://blog.youkuaiyun.com/chunf...
Python-ExtremeNet德克萨斯大学提出Onestage目标检测最强算法
08-10
ExtremeNet：德克萨斯大学提出One-stage目标检测最强算法
Bottom-up Object Detection by Grouping Extreme and Center Points 解读
bupt_cy
05-25 1014
本文（Exterme Net）是基于Corner Net做的，预测四个物体的极值点（上，下，左，右）和中心点，通过遍历各个极值点的组合（top, left, bottom, right），计算中心点是否被检测到，以此确定物体位置的方法。方法比较直观，相对Corner Net的优点是物体的极值点在物体上，更能够代表物体信息，而且Exterme Net不包含embedding部分，直接通过预...
Bottom-up Object Detection by Grouping Extreme and Center Points
weixin_41729258的博客
04-07 320
Zhou, X., Zhuo, J., & Krahenbuhl, P. (2019). Bottom-up object detection by grouping extreme and center points. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 850-859). 这一篇文章是CornerNet的变体，结合了上面的两篇文章，网络预测极点和各个.
Anchor-free系列——Bottom-up Object Detection by Grouping Extreme and Center Points
weixin_45963617的博客
07-09 315
1 Abstract 随着深度学习的发展，目标检测问题已经从一个由下到上的问题转变为一个由上到下的问题。（下文有详细介绍）当前最先进的目标检测算法首先枚举密集的目标可能存在的位置，然后对每一个位置分类判断是否存在目标，是前景还是背景。在本文中，作者认为，从下到上的方法仍然能够取得很好的性能。利用关键点预测网络预测四个极值点（最顶部、最左侧、最底部、最右侧）和一个中心点共五个关键点。如果五个关键点是几何对齐的，我们将它们分组到一个bounding box中，那么，目标检测问题就转化为一个纯的关键点估计问题，而
ExtremeNet
dekiang
10-19 466
目录前言1. 出发点Center Grounping实验 论文：Bottom-up Object Detection by Grouping Extreme and Center Points 时间及出处：CVPR 2019 前言 keypoint-based detector是将目标检测问题看成是关键点检测与分组问题，因此关键点检测与分组问题是keypoint-based detector必要的两个步骤，后续相关算法都是在这2个方面进行改进。 1. 出发点 与CornerNet相比，ExtremeNet有
极端检测网络： ExtremeNet - 深度学习的边界探索
gitblog_00037的博客
04-25 578
极端检测网络： ExtremeNet - 深度学习的边界探索 ExtremeNetBottom-up Object Detection by Grouping Extreme and Center Points项目地址:https://gitcode.com/gh_mirrors/ex/ExtremeNet 是一个开源的深度学习模型，专注于解决“多边形对象检测”问题，尤其适用于图像中极端形状或非...
【目标检测】|ExtremeNet
qq_35608277的博客
06-21 264
检测任务无非就是这样的思路： （1）表示：如何表示图像上的物体，如bbox，conner，center，reppoints等； （2）分配：如何分配正负样本：IOU、高斯热图、centerness等； （3）分类：分类任务计算物体类别损失，解决样本不平衡的问题； （4）回归：回归任务计算物体尺度、offset等等，以进行一些修正。 1.将关键点定义为极值点。 2.根据几何结构对关键点进行分组。 ​作者使用了最佳的关键点估计框架，通过对每个目标类预测4个多峰值的heatmaps来寻找极值点。另外，作者使用每个
论文阅读| ExtremeNet
yanghao201607030101的博客
12-14 556
背景： 目标检测方法可分为自上而下和自下而上两种： 在自上而下的方法中，以矩形框的形式检测目标，并基于这些框以整体方式预测目标。如R-CNN和Faster R-CNN这样的（two-stage）从图片或者特征图上截取矩形区，然后进一步分类，或则SSD这样生成固定大小anchor来作为目标的先验等，这些方式都是自上而下，虽然其现在仍然再目标检测领域中占主流，但是存在明显的缺点：我们的目标大多数不能和矩形边框形状贴合，往往矩形边框都是把目标包含在内，里面还有大量的容易干扰的背景区域，因此这种矩形边框不是我们
One-stage目标检测最强算法 ExtremeNet翻译【Bottom-up Object Detection by Grouping Extreme and Center Points】
马春杰杰·瓦力工作室
02-18 1410
点击源码下载 Abstract 随着深度学习的出现，目标检测从一个自底而上的问题发展到一个自上而下的识别问题。最先进的算法列举了一个几乎详尽的目标对象位置列表，并将每个位置分类为:目标对象或非目标对象。在本文中，我们展示了自底向上方法仍然具有竞争力。我们使用标准关键点估计网络检测对象的四个极点(最上面、最左边、最下面、最右边)和一个中心点。如果这五个关键点是几何对齐的，我们将它们分组到一个边界...
相机如何拟合出视场中心线
最新发布
03-08
<think>好的，用户的问题是关于如何通过相机拟合出视场中心线的方法。首先，我需要明确“视场中心线”具体指的是什么。在计算机视觉中，视场（Field of View, FoV）通常指相机能够捕捉到的场景范围，而中心线可能指视场的几何中心轴线，或者是某种场景中的结构中心线，比如道路的中线。根据用户提供的引用，特别是引用[1]提到的“Bottom-up Object Detection by Grouping Extreme and Center Points”，这可能涉及到通过检测场景中的关键点（如极值点和中心点）来重建结构，比如中心线。 接下来，我需要考虑相机标定和几何模型。相机的内参（如焦距、主点）和外参（位置和方向）会影响视场的几何特性。拟合中心线可能需要先确定相机的投影模型，比如针孔模型，然后根据检测到的特征点计算中心线的方向或位置。 用户提到的“拟合”方法可能涉及以下步骤：首先进行相机标定以获取内参，然后利用特征点检测（如引用[1]中的极端点和中心点）来识别场景中的中心线特征，接着通过几何变换或优化算法将这些点拟合成中心线。此外，可能需要考虑畸变校正，特别是径向和切向畸变，以确保特征点位置的准确性。 可能还需要参考引用[2]提到的Graz Univ. of Tech.的研究机构，他们在计算机视觉和图形学方面可能有相关的研究成果，比如使用特定的算法或模型来处理这类问题。例如，利用多视几何或三维重建技术来推断中心线的空间位置。 需要验证的是，用户是否需要的是相机的光轴作为中心线，还是场景中某个物体的中心线。如果是后者，可能需要结合目标检测和几何拟合的方法。例如，在自动驾驶中，车道线的中心线检测通常通过检测车道标记，然后拟合贝塞尔曲线或多项式曲线来实现。 此外，用户的问题可能涉及实际应用中的具体步骤，比如数据采集（图像或视频）、预处理（去噪、畸变校正）、特征提取、模型拟合（使用RANSAC等鲁棒方法）以及验证。可能需要考虑不同的场景，如室内、室外，以及不同的光照条件对特征检测的影响。 最后，生成相关问题时需要覆盖用户可能感兴趣的扩展方向，比如不同拟合方法的比较、实际应用中的挑战、如何评估拟合精度，以及与其他技术的结合使用等。</think>### 相机视场中心线拟合方法 在计算机视觉中，通过相机拟合视场中心线（Field of View Center Line）通常涉及以下关键步骤： --- #### 1. **相机标定与几何模型** - **相机内参标定**：确定焦距$f$、主点$(c_x, c_y)$和畸变系数，建立针孔相机模型。例如，图像坐标系到相机坐标系的转换关系为： $$ \begin{bmatrix} u \\ v \\ 1 \end{bmatrix} = \begin{bmatrix} f_x & 0 & c_x \\ 0 & f_y & c_y \\ 0 & 0 & 1 \end{bmatrix} \begin{bmatrix} X_c/Z_c \\ Y_c/Z_c \\ 1 \end{bmatrix} $$ 其中$(X_c, Y_c, Z_c)$为相机坐标系下的三维点[^1]。 - **外参标定**：获取相机在世界坐标系中的位姿（旋转矩阵$R$和平移向量$t$）。 --- #### 2. **特征点检测** 通过检测场景中的极端点（如边界点）和中心点，构建中心线的几何约束： - **引用方法**：基于自底向上的目标检测，例如通过分组极端点和中心点来推断结构。 - **示例**：在道路场景中，检测车道线边缘点，再拟合中心线。 --- #### 3. **中心线拟合算法** - **几何法**：若已知场景的对称性或几何约束（如平行线），可直接计算中心线方向。例如，两条平行线在图像中的交点对应消失点，中心线可通过消失点和主点确定。 - **优化法**：将问题建模为最小二乘优化。假设检测到一组点$\{p_i\}$，中心线方程为$ax + by + c = 0$，则目标函数为： $$ \min_{a,b,c} \sum_i (ax_i + by_i + c)^2 \quad \text{s.t.} \quad a^2 + b^2 = 1 $$ - **RANSAC**：针对噪声数据，使用随机采样一致性算法鲁棒拟合。 --- #### 4. **多视图融合（可选）** 若有多相机或运动序列，可通过多视几何（如对极几何）提升中心线的三维空间精度。 --- ### 示例代码（单应性变换） ```python import cv2 import numpy as np # 检测特征点（示例：手动输入） points = np.array([[100, 200], [150, 300], [200, 400]]) # 假设为检测到的中心线附近点 # 拟合直线（使用SVD分解） A = np.vstack([points[:,0], np.ones(len(points))]).T U, S, V = np.linalg.svd(A) a, c = V[-1] # 直线方程: a*x + 1*y + c = 0 # 绘制结果 image = cv2.imread("image.jpg") height, width = image.shape[:2] x0, y0 = 0, int(-c) x1, y1 = width, int(-a*width - c) cv2.line(image, (x0, y0), (x1, y1), (0,255,0), 2) ``` ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值