【猪都能看懂的目标检测算法整理（2）：CornerNet、CenterNet、CenterNet++】

        这几天学习了一下经典的CenterNet目标检测方法，它是一种anchor-free的方法，故名思义就是用目标的中心（center）来检测物体。后面在【TPAMI 2024】上又看到了一个也叫CernterNet的方法，不过这应该是CenterNet的一个plus版。下面将一一进行介绍。

一、CenterNet

1.模型结构（这里借助了一位b站up主的图）

        结构很简单，输入图像经过一个backbone，然后在连上三个检测头得到预测结果。

3.1 backbone

        原文中提到用了ResNet、Hourglass Network、Deep Layer Aggregation（DLA），据说对关键点检测比较好。

3.2 heatmap

        得到一张W*H*C的图，C是类别数。在物体的中心相应越强，背景部分接近为0。

3.3 wh

        得到一张W*H*2的图，2代表每个位置像素点对应检测框的宽和高 

3.4 offset

        得到一张W*H*2的图。由于heatmap和原图的大小不同，因此需要对预测像素（其实是heatmap的中心点）的位置进行修正。

2.数据集准备

        需要将GT标签转换为heatmap、wh和offset。

        对于heatmap而言，如果物体中心为1，其余地方为0，就太苛刻了。实际上是以物体中心建立高斯分布。高斯分布的半径可以先设置一个可接收的IoU，来反解半径r，如下。其余两个很好计算。

3.预测流程

        在经过整个模型后，得到了heatmap、wh和offset三个输出，但是我们需要将他们转为bbox

（1） 我们对HeatMap的通道做Argmax和max处理，得出分类