CenterNet

Objects as Points

anchor-free系列的目标检测算法，只检测目标中心位置，无需采用NMS

1、主干网络

采用Hourglass Networks [1]（还有resnet18 with up conv layer，以及DLA-34），这是一个用于人体姿态检测的网络，网络结构如图，

特点是类似一个沙漏结构，两头大，中间小，右边特征需要左边特征融合。几个网络特点是输入512*512，输出128*128

2、输出

输出包括三部分

hm（heatmap）：128*128*80(类别)，heat中最大点的位置代表了检测目标的中心点，

wh:128*128*2，输出对应位置上的heigt和width

reg:128*128*2，输出对应中心点的偏移

3、训练

（1）训练时标签，以目标中心形成一个高斯分布

（2）损失函数

损失函数包括三部分

logistic regression with focal loss：N是keypoints个数， α and β是focal loss的超参。

当标签Y=1时，如果exsy example时，损失就小，反之就大；如果Y=0时。相较于focal loss，

多了一个惩罚项，这个惩罚项的意义在于，对于负样本，当距离中心点较近时，

这个值比较小，反之比较大。即对很接近负样本的样本 ，loss比重降低，不是那么负的样本，loss比重升高。

【2】认为其处理了正负样本的不平衡。

中心偏移损失

　　size损失（h,w不经过标准化）

其中  

4、推理

分为3个部分

（1）pre_process

输入图片，给出图片的中心点，尺度（可多尺度测试），输出的长宽

meta = {'c': c, 's': s,
            'out_height': inp_height // self.opt.down_ratio,
            'out_width': inp_width // self.opt.down_ratio}

（2）process  输出

output = self.model(images)[-1]
hm = output['hm'].sigmoid_()
wh = output['wh']
reg = output['reg'] if self.opt.reg_offset else None

将输出做一个解码

dets = ctdet_decode(hm, wh, reg=reg, cat_spec_wh=self.opt.cat_spec_wh, K=self.opt.K)

在128*128个中心点中，只输出top100个中心点

detections = torch.cat([bboxes, scores, clses], dim=2)# 1*100*6

(3) post-process

最后又做了放射变换，但没看明白为什么要做这个

【1】Stacked hourglass networks for human pose estimation

【2】https://zhuanlan.zhihu.com/p/66048276