#Paper Reading# Objects as Points

最新推荐文章于 2021-09-09 21:43:47 发布

原创最新推荐文章于 2021-09-09 21:43:47 发布 · 332 阅读

0 ·

CC 4.0 BY-SA版权

paper reading 同时被 2 个专栏收录

109 篇文章

订阅专栏

2 篇文章

订阅专栏

本文介绍了一种高效的目标检测方法CenterNet，该方法基于关键点估计，直接预测目标中心点，避免了传统方法中冗余候选框的生成及NMS等后处理操作，实现了端到端的训练。在COCO数据集上取得了state-of-art的效果，同时在姿态估计和3D目标检测方面也有出色表现。

论文题目: Objects as Points
论文地址: https://arxiv.org/abs/1904.07850
论文发表于: arxiv 2019

论文大体内容：
本文主要提出了CenterNet的方法，来解决object detector中效率低的问题。CenterNet不但能够端到端训练，还能在效率和精度上做trade-off，并且在COCO数据集[1]上取得state-of-art的效果。

Motivation：
传统的object detector往往会产生大量冗余的候选object框，然后再classify它们，最后进行NMS[2]等后处理操作。这样导致整个过程太复杂且效率低下。

Contribution：
本文作者提出CenterNet的方法来提升object detection的效率。CenterNet是一种anchor-free的目标检测方法，直接将目标作为一个点去预测，不使用NMS等后处理操作，而且将这种方法应用到姿态估计和3D目标检测的问题上，取得state-of-art的效果。

1. Object detection的进展：
RCNN：生成大量的候选区域，然后classify每个候选区域是否object，典型的two-stage；
Fast-RCNN：候选集改为候选features集，就不用重复提取特征，提升速度；
Faster-RCNN：使用anchor（3组1:1，1:2，2:1共9个框），提升速度；

2. 本文作者提出的CenterNet能够实现End-to-End的训练，顾名思义，直接寻找目标的中心点（采用关键点估计方法来预测中心点），再根据这个中心点去预测目标的形状、尺寸。