centerNet笔记

最新推荐文章于 2025-11-28 04:01:48 发布

原创

最新推荐文章于 2025-11-28 04:01:48 发布 · 384 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习

这篇博客详细介绍了CenterNet目标检测框架，它摒弃了传统的基于anchor的设计，采用关键点检测方法。内容涵盖了Corner Net检测框架，Center Net检测框架的结构，包括小时glass网络和中心池化，以及预测流程中的中心区域定义。CenterNet通过结合两个分支的输出，有效地识别并定位目标。

Center Net论文笔记

改变了基于anchor检测的主流设计方式，借鉴corner net的思想，使用关键点检测来处理detection问题。

corner net检测框架

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-mnlyhUGn-1576748118674)(C:\Users\Administrator\AppData\Roaming\Typora\typora-user-images\image-20191219165526197.png)]

heatmaps+embeddings+offsets，heatmaps 用于生成所有类别目标的位置图，每一个feature map表示一类目标。embeddings表征了每一个位置的特征向量，用于衡量两个目标点的匹配程度（a pair)。offsets表征了位置点的偏移量，用于对目标的corner位置进行精修，来弥补输出feature map和输入图像misalign带来的影响。

center net检测框架

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-CdOt0L3h-1576748118675)(C:\Users\Administrator\AppData\Roaming\Typora\typora-user-images\image-20191219165901398.png)]

主网络使用的是两层的hourglass网络，后续采用了cascade corner pooling 和center pooling。

第一个分支和corner net的作用类似，通过一对对角点来确定目标，并框处目标所在位置，从图中可以看出，其作用是为了找到目标所在框；第二个分支是中心池化分支，用于找到目标的关键中心(并非几何中心)位置。通过两种方式的结合，是的最后的输出能够正确的识别目标。