【论文笔记】：CenterNet :Objects as Points

最新推荐文章于 2023-07-05 16:54:00 发布
原创 最新推荐文章于 2023-07-05 16:54:00 发布 · 1.1k 阅读 · 2 ·
CC 4.0 BY-SA版权
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。
文章标签：

#目标检测 #Object as Points #anchor-free

CenterNet是一种基于目标中心点检测的目标检测方法，通过关键点估计找到中心点并回归目标属性，如尺寸、3D位置等。相比传统基于BBox的检测器，CenterNet更简单、更快、更精确，且端到端可微分，无需额外的NMS后处理。在COCO和KITTI基准上，它达到了良好的性能和实时性。

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

&Title:

&Summary

作者在构建模型时将目标作为一个点——即目标BBox的中心点。检测器采用关键点估计来找到中心点，并回归到其他目标属性，例如尺寸，3D位置，方向，甚至姿态。

论文是基于中心点的方法，称为：CenterNet，相比较于基于BBox的检测器，我们的模型是端到端可微的，更简单，更快，更精确。我们的模型实现了速度和精确的最好权衡，以下是其性能：

MS COCO dataset, with 28:1% AP at 142 FPS, 37:4% AP at 52 FPS, and 45:1% AP with multi-scale testing at 1.4 FPS.

用同个模型在KITTI benchmark 做3D bbox，在COCO keypoint dataset做人体姿态检测。同复杂的多阶段方法比较，我们的取得了有竞争力的结果，而且做到了实时的。

&Research Objective

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

&Problem Statement

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。大多成功的目标检测器都先穷举出潜在目标位置，然后对该位置进行分类，这种做法浪费时间，低效，

最低0.47元/天 解锁文章

200万优质内容无限畅学
CenterNet :Objects as Points-论文笔记（目标检测）
Wincher's blog
07-25 987
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
论文笔记：Objects as Points（CenterNet）
weixin_39952791的博客
11-06 432
论文笔记：CenterNet 简介 以往的检测方法很多都是找到一大堆潜在目标的位置并且逐一分类，效率很低，本文提出的方法是通过关键点估计来找到目标中心点并且回归出目标的所有属性（包括offset、检测框尺寸、类别等等）。通过一个全卷积神经网络，生成一个heatmap，找到这个heatmap的峰值就是物体的中心。这个方法同时也可用于人体关键点检测和单目深度估计。 方法 简单来说，就是通过一个全卷积...
论文精读——CenterNet _Objects as Points - c20081052的专栏 - 优快云博客.pdf
09-24
论文精读——CenterNet _Objects as Points - c20081052的专栏 - 优快云博客
CenterNet：Object as Points
hjxu2016的博客
11-18 977
转载 论文精读——CenterNet :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用矩形框形式框出，该框的水平和垂直轴与图像的水平和垂直
CenterNet: object as points分析
如果想成为中心，那么就到中心去吧。
06-27 1077
文章目录前言网络结构数据加载器损失函数目标中心的损失目标中心的偏置损失目标大小的损失Reference 前言 anchor-free目标检测属于anchor-free系列的目标检测，相比于CornerNet做出了改进，使得检测速度和精度相比于one-stage和two-stage的框架都有不小的提高，尤其是与YOLOv3作比较，在相同速度的条件下，CenterNet的精度比YOLOv3提高了4个左右的点。 CenterNet不仅可以用于目标检测，还可以用于其他的一些任务，如肢体识别或者3D目标检测等等，但这
Centernet：object as point论文笔记
WAXXHHHH的博客
10-12 430
1.摘要： 检测将对象识别为轴向boxes，大部分目标检测枚举了详尽的潜在目标位置和对每个潜在对象分类，这是浪费的，低效的，需要很多后处理。本文将目标建模为一个点——bbox的中心。本文检测器用关键点评估来找到中心点和其他目标属性的回归。本文的方法叫CenterNet，是一个端到端的，更简单，更快，更精确的检测器。 2.介绍： one-stage detector为可能的bboxes滑动一个复杂的安排，叫做anchor，然后直接对他们分类，不经过具体的box内容。two-stage的。。。。，尽管如此，这些
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...
论文学习：《Objects as Points》
weixin_42214565的博客
09-04 934
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...
[论文笔记]CenterNet 阅读笔记
qq_44690067的博客
07-13 2455
CenterNet可以将大部分任务都归纳为预测中心+基于中心点的偏移属性，例如目标检测是中心点+基于中心点的宽高属性偏移；关键点检测是中心点+基于中心点的人体关键点偏移预测等等
【Objects as Points】
qq_45255630的博客
04-18 280
在本文中，我们采取了不同的方法。我们将对象建模为单个点，即其边界框的中心点。我们的检测器使用关键点估计来找到中心点，并回归到所有其他对象的财产，例如大小、3D位置、方向、设置姿势。我们的基于中心的方法CenterNet是端到端可微的，比相应的基于边界框的检测器更简单、更快、更准确。
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。
Python-CenterNet用于对象检测的关键点三元组
08-09
CenterNet:用于对象检测的关键点三元组
CenterPoint（Object as Point）
frighting_ing的博客
03-23 4880
扔掉anchor！真正的CenterNet——Objects as Points论文解读 简单讲一下，目标检测中，存在两种anchor机制哦，一种是anchor-base，典型就是Faster RCNN中先验框以及YOLO2-5系列，另一种是anchor-free，典型的是YOLOv1，YOLOX以及本博客所讲的CenterNet，但是论文原名不是CenterNet，原因是被别人使用了，所以作者起名叫Object as Point。anchor-base和anchor-free最大的区别是区别是否有先验框
论文笔记：Object as Points
richard_che的博客
05-16 419
论文：https://arxiv.org/pdf/1904.07850.pdf 代码： https://github.com/xingyizhou/CenterNet 主要贡献： 摒弃了One stage 或者 two-stage的基于Anchor对BBox进行回归+分类的操作 将BBox为中心点+宽高这样的方式，从而直接将BBox的回归转换成角点的检测 同时这个BBox可以包含（编码）更多的信息，比如中心点 + 宽高 + 朝向 + 深度等 以点来代替Anchor回归+分类的机制，更高效 One-sta
论文阅读：Objects as Points（也叫CenterNet）
j879159541的博客
10-14 1736
文章目录1、论文总述 2、center point与Anchor-based的不同 3、Hourglass-104 resnet和DLA-34的网络结构4、中心点正负样本的标定以及改进的focal loss 5、宽高和总体的损失函数6、From points to bounding boxes7、不同basenet和augmentation下的网络性能8、State-of-the-art comp...
CenterNet（Objects as Points）：极简Anchor-free目标检测框架
AI数据工厂
02-09 1243
论文地址：http://arxiv.org/abs/1904.07850 GitHub地址：https://github.com/xingyizhou/CenterNet 0、写在前面 目标检测通常将目标识别为与坐标轴平行的一个方框。大多数目标检测器都是先列出所有可能的目标位置边框，然后逐个进行分类，这是一种浪费、低效且需要额外后处理的方式。本文提出了一种完全不同的方法：将目标建模为一个点（边框的中心），首先使用关键点估计找到中心点，然后回归所有的其他属性，比如尺寸、3D位置、方向，甚至是姿..
centernet: objects as points
liguandong
12-16 2188
轻松掌握 MMDetection 中常用算法(七)：CenterNet - 知乎文@ 0000070 摘要 在大家的千呼万唤中，MMDetection 支持 CenterNet 了！！ CenterNet 全称为 Objects as Points，因其极其简单优雅的设计、任务扩展性强、高速的推理速度、有竞争力的精度以及无需 NMS 后处理等优…https://zhuanlan.zhihu.com/p/374891478扔掉anchor！真正的CenterNet——Objects as Points论文解读
论文阅读 Objects as Points
weixin_45935290的博客
07-05 509
Detection将物体识别为轴对齐的框，大多数成功的object detectors会列举出几乎穷尽的潜在物体位置并对每个位置进行分类。这种方法浪费资源、效率低下，并需要额外的后处理。在本文中，我们采用了一种不同的方法。我们将物体建模为一个单独的点——其边界框的中心点。我们的检测器使用keypoint estimation来找到中心点，并回归到所有其他物体属性，例如大小、3D位置、方向。
论文阅读之CenterNet
qq_34272713的博客
05-26 527
论文题目： 《Objects as Points》 地址：https://arxiv.org/pdf/1904.07850.pdf 发布时间：2019.4 代码：https://github.com/xingyizhou/CenterNet 1. Abstract anchor_based 算法：枚举出可能潜在的目标，然后对这些潜在的目标进行分类。 缺点：浪费时间、低效，需要额外的后处理（post-processing） 本文算法：将目标的bbox的中心点定为该目标的中心点，检测器使用关键点检测去估计找到中
Informatica Powercenter 学习笔记：问题与解答
"这是一个关于Informatica PowerCenter的...本教程提供的学习笔记覆盖了Informatica PowerCenter的广泛使用场景，无论是初学者还是经验丰富的用户，都能从中获取有价值的信息和解决方案，提高数据集成的效率和准确性。
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