该论文是由中科院，牛津大学以及华为诺亚方舟实验室联合提出。截至目前（2019.04.19），CenterNet应该是one-stage目标检测方法中性能（精度）最好的方法。

论文名称：CenterNet: Keypoint Triplets for Object Detectiontection

论文链接：https://arxiv.org/abs/1904.08189

代码链接：https://github.com/Duankaiwen/CenterNet

该论文是由中科院，牛津大学以及华为诺亚方舟实验室联合提出。截至目前（2019.04.19），CenterNet应该是one-stage目标检测方法中性能（精度）最好的方法。

传统的基于关键点的目标检测方法例如最具代表性的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)。

本文利用关键点三元组即中心点、左上角点和右下角点三个关键点而不是两个点来确定一个目标，使网络花费了很小的代价便具备了感知物体内部信息的能力，从而能有效抑制误检。另外，为了更好的检测中心点和角点，该论文分别提出了center pooling和cascade corner pooling来提取中心点和角点的特征。该方法在MS COCO上，获得了47% AP，超过了所有已知的 one-stage 检测方法，并大幅度领先，其领先幅度至少达4.9%，推理时间略慢（270ms using a 52-layer hourglass backbone and 340ms using a 104-layer hourglass backbone per image）。

Anchor-based缺陷：anchor数量巨大，anchor人工自主设计，anchor与gt不对齐不利于分类

Anchor-free缺陷：Cornernet的全局信息获取能力较弱，无法正确group同一物体的两个点如上图，前100个预测框中有很多是长宽比不协调的误检（CornerNet通过embedding vector来group角点，但是该机制通过corner pooling仅依赖物体的边沿，并没有利用物体内部信息，事实证明根据人类vision pattern确定一个物体更多考虑其内部信息），这个问题可以通过互补信息解决——比如aspect ratio（anchor利用宽高比加速回归，但是角点无法）

预测框与gt有高iou并且gt的中心在预测框的中心区域，则这个预测框有更高的可能性是准确的，所以通过判断一个proposal的中心区域是否包含一个同类物体的中心点来决定它是否正确。如下图：

提出更好的两种检测角点和中心点的机制center pooling和cascade corner pooling。center pooling用于预测中心点分支，通过相加特征图水平和垂直方向上最大值获得。cascade corner pooling类似与原来的corner pooling模块，只不过同时获取内部和边沿信息以增加稳定性。

使用CornerNet作为基准，CornerNet使用heatmaps、embeddings、offsets确定目标的左上右下角点以确定物体位置类别，具体不予阐述，可参考博主另一篇博文CornerNet论文笔记

为了能够量化的分析误检问题，本论文提出了一种新的衡量指标，称为FD (false discovery) rate, 此指标能够很直观的反映出误检情况。FD rate 的计算方式为 FD = 1-AP， 其中 AP 为 IoU 阈值取[0.05 : 0.05 : 0.5]下的平均精度。统计了 CornerNet 的误检情况，如下表table1所示：

可以看到，FD = 37.8，而FD₅高达32.7，这意味着即使把gt匹配条件限制的很严格：只有那些与 ground-truth 的 IoU< 0.05 的才被认定为错误目标框，每100个预测框中仍然平均有32.7 个错误目标框！而小尺度的目标框其FD_s更是达到了60.3！关键问题在于让网络具备感知物体内部信息的能力。一个较容易想到的方法是把 CornerNet 变成一个 two-stage 的方法，即利用 RoI pooling 或 RoI align 提取预测框的内部信息，从而获得感知能力。但这样做开销很大，因此本文提出了用关键点三元组来检测目标，这样使得本文在 one-stage 的前提下就能获得感知物体内部信息的能力。并且开销较小，因为只需关注物体的中心，从而避免了 RoI pooling 或 RoI align 关注物体内部的全部信息。

上图figure2为 CenterNet 的结构图。网络通过 center pooling 和 cascade corner pooling 分别得到 center heatmap 和 corner heatmaps，用来预测关键点的位置。得到角点的位置和类别后，通过 offsets 将角点的位置映射到输入图片的对应位置，然后通过 embedings 判断哪两个角点属于同一个物体，以便组成一个检测框。正如前文所说，组合过程中由于缺乏来自目标区域内部信息的辅助，从而导致大量的误检。为了解决这一问题，CenterNet 不仅预测角点，还预测中心点。对每个预测框定义一个中心区域，通过判断每个目标框的中心区域是否含有中心点，若有则保留，并且此时框的 confidence 为中心点、左上角点和右下角点的confidence的平均，若无则去除，使得网络具备感知目标区域内部信息的能力，能够有效除错误的目标框。

另外中心区域的尺度会影响错误框去除效果。中心区域过小导致很多小尺度的错误目标框无法被去除，而中心区域过大导致很多大尺度的错误目标框无法被去除，因此本文提出了尺度可调节的中心区域定义法如下公式（1）。该方法可以在预测框的尺度较大时定义一个相对较小的中心区域，在预测框的尺度较小时预测一个相对较大的中心区域。如下图figure3所示，n的值根据边界框是否大于150进行设置为3或5。

Center pooling：一个物体的中心并不一定含有很强的，易于区分于其他类别的语义信息。例如，一个人的头部含有很强的，易于区分于其他类别的语义信息，但是其中心往往位于人的中部。本文提出了center pooling 来丰富中心点特征。上图figure4（a）为该方法原理，center pooling提取中心点水平方向和垂直方向的最大值并相加，以此给中心点提供所处位置以外的信息。这一操作使中心点有机会获得更易于区分于其他类别的语义信息。Center pooling 可通过不同方向上的 corner pooling 的组合实现。一个水平方向上的取最大值操作可由 left pooling 和 right pooling通过串联实现，同理，一个垂直方向上的取最大值操作可由 top pooling 和 bottom pooling通过串联实现，具体操作如下图figure5（a）所示，特征图两个分支分别经过一个3×3Conv-BN-ReLU做水平方向和垂直方向的corner pooling，最后再相加（图b为Cascade corner pooling模块，注意与图（a）并没有连接）。

Cascade corner pooling: 该模块用于预测物体的左上和右下角点，一般情况下角点位于物体外部，所处位置并不含有关联物体的语义信息，这为角点的检测带来了困难。Figure4（b）为传统做法，称为corner pooling（CornerNet中提出）。它提取物体边界最大值并相加，该方法只能提供关联物体边缘语义信息，对于更加丰富的物体内部语义信息则很难提取到。Figure4 (c)为cascade corner pooling 原理，它首先提取物体边界最大值，然后在边界最大值处继续向内部(图中沿虚线方向)提取最大值，并与边界最大值相加，以此给角点特征提供更加丰富的关联物体语义信息。Cascade corner pooling可通过不同方向上的 corner pooling 的组合实现，如图figure5（b）所示，展示了cascade top corner pooling 原理（博主认为Cascade corner pooling只是为了通过内部信息丰富角点特征，也就是级联不同方向的corner pooling达到内部信息的叠加，最终目的还是要预测角点，所以左上角点通过cascade top corner pooling+cascade left corner pooling实现，右下角点通过cascade right corner pooling+cascade bottom corner pooling实现，figure5（b）只是画出了其中一个module，其他3个module类似，也就是用cascade corner pooling module代替原CornerNet中的Corner Pooling）。

损失函数如上式（2），由角点位置损失（focal loss）+中心点位置损失+embedding损失+角点和中心点offsets损失（l1loss）组成，结构与CornerNet相似，只是增加中心点损失项，α,β和γ分别为0.1，,01,1。使用batch size为48在8 Tesla V100 (32GB) GPUs上迭代480K次，前450K次学习率为2.5×10^-4，后30K次学习率降为2.5×10^-5。代码使用pytorch实现，没有预训练，输出分辨率为511×511，损失函数优化策略为adam。

实验结果表明 CenterNet 获得了47%的AP，超过了所有已知的 one-stage 检测方法，并大幅度领先，其领先幅度至少达4.9%。最近目标检测方法在COCO数据集上基本在以百分之零点几的精度往前推进，因为coco数据集难度很高，而CenterNet往前推进了将近5个百分点。同时，CenterNet 的结果也接近two-stage方法的最好结果。值得注意的是，CenterNet 训练输入图片分辨率只有 511X511，在 single-scale下，测试图片的分辨率为原图分辨率（~500），在 multi-scale下，测试图片的分辨率最大为原图分辨率的1.8倍。而two-stage的输入图片的分辨率一般最短边也要>600,甚至更大，比如D-RFCN+SNIP和 PANet。而且本文方法是 Train from scratch。

上表Table3为 CenterNet 与 CornerNet 的单独对比，可以看出在coco数据集上CenterNet消除大量误检框，尤其是在小物体上。

速度方面，Two-stage 方法论文中一般是不报的。One-stage方法只在较浅的backbone上如VGG-16上报速度，一般处理一张图片需要十几毫秒，在较深的backbone上速度为慢一些，处理一张图片需要几百毫秒，但还是要比 two-stage 的方法快。本文在一张 Nvidia Tesla P100 显卡上比较了CornerNet和CenterNet，CornerNet511-104 测试速度约为 300ms/帧，而 CenterNet511-104 的测试速度约为340ms/帧，比 baseline 慢约 40ms/帧。但对于更轻backbone，CenterNet511-52的测试速度约为270ms/帧，比CornerNet511-104快约30ms/帧，而且其精度无论是single-scale test 还是 multi-scale test 都比CornerNet511-104高。

上图figure6表明CenterNet 与 CornerNet 的对比结果。(a) 和 (b) 表明 CenterNet 能有效去除小尺度的错误目标框。(c) 和 (d) 表明 CenterNet 能有效去除中等尺度和大尺度的错误目标框。（e）是否采用center pooling检测中心点。（f）对比分别使用corner pooling和cascade corner pooling检测角点。

上图figure7表明， CenterNet 去除了大量错误的目标框，因此即使在目标框的 confidence 较低的情况下，依然能保证较好的检测结果，上图展示了 confidence 在0.5以上的目标框分布情况。

上表Table4 为消融实验。第一行为CornerNet结果。中心点的加入 (CRE) 使得网络提升了2.3% (37.6% vs 39.9%)。对于中心点的检测，本实验使用传统的卷积操作进行。其中小尺度目标提升的最多，提升了4.6% (18.5% vs 23.1%)，而大尺度目标几乎没有发生变化。这说明小尺度的错误目标框被去除的最多，这是因为从概率上讲，小尺度目标框由于面积小更容易确定其中心点，因此那些错误的小目标框不在中心点附近的概率更大，因此去除的最多。Center pooling (CTP) 的加入使网络进一步提升了0.9%。值得注意的是，大尺度目标提升了1.4% (52.2% vs 53.6%)，小目标和中等目标也得到了一定的提升，这表明 center pooling 能够使中心点获得更易于区分于其他类别的语义信息。Cascade corner pooling (CCP) 使得使网络性能进一步提升。第二行的试验中，我们将 CornerNet 的corner pooling 替换成了 cascade corner pooling，性能提升了0.7% (37.6% vs 38.3%)。可以观察到大目标的 AP 没有发生变化，AR 却提升了1.8% (74.0% vs 75.8%)， 这说明 cascade corner pooling 通过加入了物体内部信息能够感知更多的物体，但是由于大目标由于面积过大，使其容易获得较明显的内部特征而干扰了边缘特征，因此使得预测出的目标框位置不精确。当结合了 CRE 后，由于 CRE 能够有效去除错误目标框，因此使大目标框的AP得到了提升 (53.6% vs 55.8%).

上表Table5 为错误实验分析。将检测的中心点用真实的中心点代替，实验结果表明中心点的检测准确度还有很大的提升空间。同时该结果还表明要想更进一步的提升检测精度，需要进一步提升中心点的检测精度。

这篇CenterNet使用关键点三元组（左上，右下，中心点）来确定一个目标，与CornerNet相比增加一个中心点来消除误检框，故事点在于“网络具备感知物体内部信息的能力”，并在最后作者认为可以移植到其余anchor或anchor-free的检测器上，博主比较同意作者所提观点，比如目前潮流的attention机制就是增强物体之间的relation或者增强物体内部语义信息。与此相比，原CornerNet团队提出的CornerNet-Lite中的CornerNet-Saccade将原任务分为两个阶段，第一阶段粗检利用attention maps找到可能存在目标的中心点，第二阶段精检crop区域的所有目标，此两阶段方法与本文思想类似，都是通过加入中心点这一限定增强检测器性能。