第二篇：CenterNet :Objects as Points

最新推荐文章于 2024-06-07 15:14:57 发布
最新推荐文章于 2024-06-07 15:14:57 发布
阅读量293 收藏 1
点赞数
分类专栏： 目标检测 文章标签： 深度学习 自动驾驶 神经网络
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/qq_39821101/article/details/120287549
版权
CenterNet通过预测目标中心点解决CornerNet的误检问题，采用关键点估计找到目标中心并回归尺寸信息，简化了目标检测流程，避免了NMS等后处理。其创新点包括无尺寸框的锚点、仅一个正锚点、高分辨率输出特征图及无grouping操作。网络结构和损失函数设计确保高效准确地预测目标中心和大小。

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

CenterNet :Objects as Points

地址：https://arxiv.org/pdf/1904.07850.pdf
代码：https://github.com/xingyizhou/CenterNet

1. CornerNet的问题

CornerNet 通过检测物体的左上角点和右下角点来确定目标，但在确定目标的过程中，无法有效利用物体的内部的特征，即无法感知物体内部的信息，从而导致该类方法产生了很多误检 (错误目标框)。

2.CenterNet 的工作原理

采用关键点估计来找到目标中心点，并回归到其他目标属性，例如尺寸，3D位置，方向，甚至姿态

将图像传入全卷积网络，得到一个热力图，热力图峰值点即中心点，每个特征图的峰值点位置预测了目标的宽高信息。
模型训练采用标准的监督学习，推理仅仅是单个前向传播网络，不存在NMS这类后处理。

3.CenterNet 的创新点

第一，分配的锚点仅仅是放在位置上，没有尺寸框，也没有人工设置的阈值做前后景分类。（像Faster RCNN会将与GT IOU >0.7的作为前景，<0.3的作为背景ÿ

最低0.47元/天 解锁文章
CenterNet 论文笔记
qq_30146937的博客
02-28 674
前言 本文提出了一种目标表示的新方法——通过bbox的中心点来表示目标，如下图所示。然后通过中心点处的图像特征回归到目标的其它属性，比如目标大小、维度、方向和姿态。这样就把目标检测问题变为关键点估计问题。 将输入图像送入一个全卷积网络后，会生成一个heatmap，在heatmap上出现的peak就是目标的中心点，每个peak的图像特征预测出目标的bbox的高和宽。模型训练采用标准的监督学习，in...
论文阅读瞎记(五) CenterNet: Objects as Points 2019
Pleadge的博客
03-30 4013
概要 在图片中检测识别物体作为轴对齐（axis-aligned）的bbox。大多数成功的检测器枚举了临近的潜在物体位置列表并且对其进行分类。这是浪费，不高效并且需要额外的后处理的。这篇文章中作者使用了不同的方法。作者将每一个物体建模为一个点（也就是物体的中心点）作者的检测器使用了关键点估计来找到中心点并且回归到其他物体属性中去，比如尺寸，3D位置，方向甚至动作。作者基于中心点的方法，CenterNet是端到端可微分的，简单快速且相比anchor base方法更准确。CenterNet在COCO数据集中达到了
CenterNet论文学习
qq_45255630的博客
03-30 703
在目标检测中，基于关键点的方法通常会遇到大量不正确的对象边界框，这可以说是由于缺乏对裁剪区域的额外观察。本文提出了一种有效的解决方案，以最小的成本探索每个裁剪区域内的视觉模式(怎样做的)。CenterNet在CornerNet的单阶段关键点检测器上构建了框架。将每个目标检测看作是一个三元组，而不是一对关键点，这提高了精度和召回率。
【论文翻译】CenterNet: Objects as Points
一路嵌行的博客
03-28 912
**写在前面：**由于硕士课程“专业英语”需要提交英文论文翻译的论文，所以选择了最近在做的CenterNet目标检测。此文非华为出品的CenterNet: Keypoint Triplets for Object Detection 论文题目：Objects as Points 论文地址：PDF 论文代码：Code 环境配置：Ubuntu16.04 | Win10 点作目标 摘要 目标检测往往在...
【论文阅读】CenterNet
sinat_40759442的博客
01-17 1115
基于Anchor-free的CenterNet，找到目标的中心，回归出他们的尺寸。同样作为Anchor-free的方法，CenterNet则针对CornerNet对内部语义缺失的问题，提出了对中心点进行估计的方法。
读论文（7）——CenterNet
MrBamboo2000的博客
11-05 1278
前言
论文精读&mdash;&mdash;CenterNet _Objects as Points - c20081052的专栏 - 优快云博客.pdf
09-24
CenterNet并不是第一个通过关键点估计进行目标检测的网络。例如，CornerNet将边界框的两个角视为关键点，而ExtremeNet检测所有目标的最上、最下、最左、最右以及中心点。这些网络同样建立在鲁棒的关键点估计网络之上...
CenterNet :Objects as Points-论文笔记（目标检测）
Wincher's blog
07-25 976
摘要 传统目标检测将物体定义为沿着坐标轴的边界框，对所有可能的物体进行穷举搜索，再进行分类。这种方法耗时耗力，且需要额外的后处理过程。本文将物体建模为单个点——边界框的中心点，用关键点估计找到中心点，并且回归输出物体其他属性，如：尺寸，3D位置，旋向，甚至位姿。本文方法称为CenterNet，一种端到端具有多种优点的目标检测方法，达到了速度与准确率的平衡。 引言 目标检测很重要，为许多后续任务提供支撑（实力分割、位置估计等）。在监控、自动驾驶等领域有广泛应用。传统目标检测将物体定义为沿着坐标轴的边界框，对所
论文学习：《Objects as Points》
weixin_42214565的博客
09-04 925
被大佬安利了这篇论文，花了整整一天的时间学习这篇论文，感觉非常妙。记录一下学习笔记，先推荐两篇个人觉得讲的非常好的文章，以下笔记有些内容摘自这里： [1]https://zhuanlan.zhihu.com/p/66048276 [2]http://www.tensorinfinity.com/paper_189.html [3]https://blog.youkuaiyun.com/c20081...
论文精读:Centernet:Objects as Points
qq_52053775的博客
12-30 698
论文地址:代码地址:.
objectAsPoints.pdf
05-21
目标检测网络预测输出bounding box的位置，Object as points通过目标所在的中心位置和目标的尺寸确定box，所以网络的关键是预测中心点（关键点），基于中心点及其特征，则可推断目标的尺寸以及其他性质，从而可拓展在其他任务上，如3D检测、人体姿态识别等。
CenterNet论文详细解析Objects as Points
yanghao201607030101的博客
11-26 828
一、论文相关信息 ​ 1.论文题目：Objects as Points ​ 2.发表时间：2019 ​ 3.文献地址：https://arxiv.org/pdf/1904.07850.pdf 4.论文作者: Xingyi Zhou Dequan Wang Philipp Krahenb ​ 5.论文源码：https://github.com/xingyizhou/CenterNet 二、论文详情 CenterNet以bounding box 的中心来表征目标，其它的属性如2d检测中的宽和高、3d检测中的深度
【目标检测】centernet 小结
zl3090的博客
05-29 483
一、论文理解： https://blog.youkuaiyun.com/c20081052/article/details/89358658 二、损失函数理解： https://zhuanlan.zhihu.com/p/73516696 三、训练自己的数据： https://blog.youkuaiyun.com/weixin_41765699/article/details/100118353 四、代码理解 https://www.jianshu.com/p/7dc88493a31f ...
论文阅读《CenterNet: Keypoint Triplets for Object Detection》
番茄锅涮代码
08-31 309
论文阅读《CenterNet: Keypoint Triplets for Object Detection》论文idea 论文idea 现在最流行的目标检测是传统基于anchor的，但是存在的问题： 需要大量的anchors来保证足够高的IOU anchor的比例和尺寸需要手工设置 anchors与ground-truthboxes不对齐，不利于边界框分类任务。 于是CornerNet被提出...
CenterNet论文解读
最新发布
qq_38289371的博客
06-07 769
CenterNet论文解读
centernet论文解读
weixin_41803339的博客
03-31 1150
1、序言 conternet在19年刚出来的时候就对它特别感兴趣，后面遇到了FCOS，就把它遗忘了，但是centernet还是具有很多新颖的idea，值得分析一下。但最近看了一下论文以后突然对各种检测模型的界限不像以前划分的那么清了，什么两阶段和单阶段，anchor free 和anchor base在我看来主要还是在定义正负样本的区别，还有框的回归方式，anchor base会有个anchor box的先验知识，但实际上框的回归方式不重要。。。 2、论文 论文中说大多数成功的目...
论文精读——CenterNet :Objects as Points
热门推荐
c20081052的专栏
04-18 14万+
论文题目：Objects as Points 论文地址：https://arxiv.org/pdf/1904.07850.pdf 发布时间：2019.4.16 机构：UT Austin，UC Berkeley 代码：https://github.com/xingyizhou/CenterNet Abstract 目标检测识别往往在图像上将目标以轴对称的框形式框出。大...
CenterNet 论文阅读笔记
read, note and comment papers
11-09 173
CenterNet: Keypoint Triplets for Object Detection 是在cornernet上做改进提出的，认为cornernet对bbox内部信息缺少关注，因此在cornernet两个corner分支的基础上增加center分支，关注bbox内部信息
目标检测论文笔记二：CenterNet《Objects as Points》
SanJin_Young的博客
10-17 908
论文通过将物体建模成一个物体中心点，使用关键点估计网络来预测物体中心并回归一系列物体属性（长宽高等等）。并且相比于基于anchor的物体检测器，CenterNet 更简单、更快、更准确。 网络的整个运行流程为：在训练时，先将图像送入全卷积神经网络中生成热图，热图中的峰值点就是物体的中心点，每一个峰值点的图像特征用于预测物体框的属性。在预测时，仅为简单的网络前向过程，没有NMS作为后处理。 作者认为CenterNet与onestage的基于anchor的目标检测方法十分接近，但是却有几...
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