网站建设优化是干嘛,山东青岛网站制作公司,做古玩的网站,网站建设人员需求CPNDet论文链接
一.背景
anchor-based方法将大量框密集分布在feature map上#xff0c;在推理时#xff0c;由于预设的anchor与目标差异大#xff0c;召回率会偏低。而anchor-free不受anchor大小限制#xff0c;在任意形状上会更加灵活#xff0c;但是像CornerNet这种,先…CPNDet论文链接
一.背景
anchor-based方法将大量框密集分布在feature map上在推理时由于预设的anchor与目标差异大召回率会偏低。而anchor-free不受anchor大小限制在任意形状上会更加灵活但是像CornerNet这种,先进行角点检测将有效的角点枚举组合成大量候选预测框容易带来大量的FP。而FCOS需要回归关键点到边界的距离对于长宽大的物体也比较难以预测。 二.网络介绍
1.网络结构以及loss函数 Stage 1: Anchor-free Proposals with Corner Keypoints
假定每个目标都由两个关键点进行定位先根据CornerNet输出一对左上右下的heatmap选择top-k个左上角点以及top-k个右下角点。将有效的关键点组合成目标的候选框关键点组合是否有效主要有两个判断 左上右下关键点是否属于同一个类别 左上角点坐标比右上角点小
同时作者认为cornernet那种embedding向量组合不是保证能够学习到的在未见过的场景和目标挨得比较近时都会造成性能下降。 Stage 2: Two-step Classification for Filtering Proposals
由于产生heatmap的feature map较大在角点进行组合时虽然极大提高了召回率但同时特提升了误检率还加大了过滤的计算量。所以先进行二分类过滤掉80%候选框然后在对剩下的框进行多分类。 首先在feature map上选用7*7RoIAlign提取每个候选框的特征在使用1个32*7*7输出二分类的分类score。 二分类loss采用focal loss变种。
N:正样本数量;
IoUm第m个候选框和所有gt box的IOU;
p m:第m个候选区域的分类score;
τ:IOU阈值,一般选择0.7;
α :超参为2用来平滑loss函数。
第二步对剩下的框进行多分类用一个256*7*7输出C维向量进行C分类,C分类loss也采用focal loss变种。 M̂:上一步过滤后的候选框;
N̂:正样本框
IoU m,c:类别是c为第m个候选框和所有gt box的IOU;
qm,c类别是c第m个候选区域的分类score;
α,β超参,为2,用来平滑loss函数
2.总的loss函数 Ldetcorner:角点定位和cornernet一样;
Loffsetcorner:角点偏移
Lprop:二分类fcoal loss
Lclass:多分类fcoal loss
3.推理阶段
第一个阶段先使用0.2阈值过滤掉大部分框在对剩下的框进行多分类。在进行soft Nms即可。 s1:角点的分类score(两个角点的平均)
s2:多分类的score
当两个中一个大于0.5时,才采用上述式子得出预测的类别score在归一化为[0,1]之间。
三.实验结果
1.是否带二分类的实验结果对比 2.和各种检测框架的实验结果对比 3.速度和精度的对比
