【CVPR2020】通过获取高质量的关键点对来提升目标检测性能

本文是收录于CVPR2020的目标检测的新工作，从关键点检测的角度出发进行创新，提出了向心偏移和十字星可形变卷积等创新点，在COCO数据集上以48.0％的AP胜过所有现有的Anchor-free检测器，值得学习。

论文地址：https://arxiv.org/pdf/2003.09119.pdf

代码地址：https://github.com/KiveeDong/CentripetalNet

基于关键点的检测器已经取得了不错的性能。但是，错误的关键点匹配仍然广泛存在，并且极大地影响了检测器的性能。在本文中，提出了CentripetalNet，它使用向心偏移（centripetal shift）来配对来自同一实例的角corner关键点。

具体来说，CentripetalNet预测角点的位置和向心偏移，并匹配与其偏移结果对齐的角。因为联合了位置信息，本文的方法比传统的嵌入方法更准确地匹配角点。Corner pooling 将边界框内的信息提取到边界上。为了使这些信息在角落更清晰，本文设计了一个十字星形（cross-star）可变形卷积网络来进行特征自适应。此外，通过在CentripetalNet上引入一个mask预测模块，可以在在Anchor-free目标检测器上实现实例分割任务。

在MS-COCO test-dev数据集上，CentripetalNet不仅以48.0％的AP胜过所有现有的Anchor-free检测器，而且以40.2％的Mask AP达到了与最新实例分割方法相当的性能。

CornerNet的主要结构主要由以下3部分组成：

• 沙漏结构Hourglass：特征提取的Backbone，能够为后续的网络预测提供很好的角点特征图。

• 角点池化Corner Pooling：作为一个特征的池化方式，角点池化可以将物体的信息整合到左上角点或者右下角点。

• 预测输出：传统的物体检测会预测边框的类别与位置偏移，而CornerNet则与之完全不同，其预测了角点出现的位置Heatmaps、角点的配对Embeddings及角点位置的偏移Offsets。