目标检测是计算机视觉的几个基本方向之一，主要目的是：识别出图片中前景物体的位置和类别，在自动驾驶、安防监控、工业检测等领域有着广泛应用。自从深度学习方法被引入目标检测领域后，新的方法层出不穷，检测效果也不断提升。本文主要介绍近两年来较为流行的基于关键点的目标检测方法。
 
图1 目标检测

0 1

前言：基于锚点的目标检测方法

在基于关键点（key points）的目标检测方法出现之前，主流目标检测方法一般先设置一些预先定义好的 锚点 （anchor boxes）。 作为预测物体框的参考，神经网络只需要预测实际的物体框相对于这些锚点的偏移。 这样模型就能在一个位置预测多个不同尺寸的物体框，并且预测相对偏移比预测绝对值要容易一些。

最初，这些锚点的大小是人工设置的，如Faster R-CNN [1]和SSD [2]中使用的锚点。 由于模型预测的是相对偏移，一般来说比较接近锚点的物体框预测要更为准确一些，因此YOLOv2[3]中使用了k-means聚类的方法来选择与训练集样本最为匹配的锚点。

基于锚点的目标检测方法 缺点 在于需要生成大量的锚点以更好的覆盖整个图片中的物体，并且需要人工设计一些参数，比如锚点的数量、大小等。

 

图2  SSD中使用的锚点

0 2

基于关键点的目标检测方法

1. CornerNet [4]

CornerNet发表在2018年ECCV，是使用关键点方法进行目标检测的开山之作。CornerNet通过预测物体框左上角和右下角两个角点，来组成最终的物体框，避免了锚点的使用。

物体的特征一般集中在物体内部，比如一个人的身体、头部，其左上角和右下角两个点的特征并不明显，而且不容易确定位置。

为了解决这个问题，文章引入了 Corner pooling 的结构。

在输出层之前的特征图上，针对左上角点，取其右边和下边的最大值之和，针对右下角点，取其左边和上边的最大值之和。

直观上理解，就是我们在左上角处往右下方向看，在右下角处往左上方向看，这样就能看到整个物体。

如果不使用Corner pooling，相当于看的是角点周围，这样对于比较大的物体就很难获得整个物体的特征，会导致大物体的检测效果差。

网络针对左上角和右下角分别输出 三个结果 ：

a. Heatmaps，表示某位置是角点的概率；

b. Offsets，表示实际角点相对于该位置的偏移；

c. Embeddings, 嵌入向量，用于将左上角和右下角进行配对。

生成最终物体框时，取概率最高的k个角点，加上Offsets得到实际位置，再使用Embeddings对左上角和右下角进行配对，取嵌入向量距离超过一定阈值的两个点来组成最终物体框。

损失函数的选择上Heatmaps使用分类损失函数focal loss的变种，Offsets使用回归损失函数smooth L1 loss，Embeddings使用衡量相似度的"pull" loss和"push" loss，损失函数细节可查阅原文。

图3  CornerNet结构示意图

 

图4  Corner pooling

CornerNet一个 明显的缺点 是使用Embeddings进行角点匹配的效果并不太好，可能导致某个物体的左上角匹配到另一个物体的右下角。后续的ExtremeNet、CenterNet等论文都设法修复或避免这一问题。

  图5  CornerNet角点配对错误的例子

2. CornerNet-Lite[5]

针对CornerNet速度较慢的问题，CornerNet的研究团队对网络结构进行了优化。

主要从 两方面 入手，分别提出了一个方案。

一：减少处理的像素数量。也就是先用一个轻量的网络确定物体的大概位置，然后再从这个大概的裁切区域上检测物体的具体位置，该网络被称为CornerNet-Saccade。

二：减少每个像素的处理次数。参考了SqueezeNet和MobileNets，使用深度可分离卷积等方法对网络主干进行轻量化，该网络被命名为CornerNet-Squeeze。

CornerNet-Saccade相比CornerNet 速度 上有较大提升而准确率相当；CornerNet-Squeeze则达到与YOLOv3相当的 速度 和 准确率 ；

CornerNet-Lite依然受限于CornerNet角点匹配 错误较多 的缺点。比如CornerNet-Squeeze虽然从文章中给出的结果上看与YOLOv3相当，但是实际使用中容易出现角点匹配错误情况，效果不佳。

图6  CornerNet-Lite作者给出的优化效果

3. CenterNet [6]

CenterNet在CornerNet基础上加入了一个关键点—— 中心点 ，通过检查CornerNet预测框的中心区域是否存在中心关键点，来决定是否保留这个预测框。

中心关键点在pooling阶段使用了Center pooling，同时取上下左右四个方向的最大值。

此外，还对原有的Corner pooling进行了 优化 。 确定中心区域时，对于较大的物体取5*5分割的中间区域，较小物体取3*3分割的中心区域。中心区域的选择过于依赖人工设计的参数，也是该方法的一个缺点。

图7  CenterNet结 构示意图

4. Objects as Points [7]

这篇文章和上一篇CenterNet一样是19年4月份放到网上的，而且也把自己的网络起名为CenterNet...不同于上一篇CenterNet对CornerNet进行修补。 该方法直接抛弃了右上角和右上角两个关键点，只预测一个中心关键点，再加上物体的宽高，构成最终的物体框。

该文章提出的方法 简洁明了 ，在 速度 和 精度 的权衡上也做的比较好，因此比较被看好。 缺点 在于如果两个物体的中心重合只能预测一个，不过这种情况概率很低。

基于关键点的目标检测方法或多或少都还存在一些缺点，在实际应用中相比基于锚点的方法也 没有绝对优势 。但是作为近两年目标检测方法的新趋势，我们期待在不远的将来这类方案能有进一步的 突破 。

参考文献

[1] Faster R-CNN Towards Real-Time Object Detection with Region Proposal Networks.

[2] SSD Single Shot MultiBox Detector.

[3] YOLO9000 Better, Faster, Stronger.

[4] CornerNet: Detecting Objects as Paired Keypoints.

[5] CornerNet-Lite Efficient Keypoint Based Object Detection.

[6] CenterNet Keypoint Triplets for Object Detection.

[7] Objects as Points.

投稿 | 内容标签团队

编辑 | sea

排版 | sea

在看点一下 大家都知道

相关文章