简介

Faster R-CNN和RetinaNet都是基于Anchor机制的。
Faster R-CNN是需要RPN进行预选框的筛选，300个框左右。
RetinaNet是one-stage的方法，没有RPN，直接暴力枚举所有anchor，直接做分类和回归。一个图片里只存在少量物体，但是我们枚举的框很多，如果在Faster R-CNN 300个框计算loss，会造成正负样本不均衡，loss倾向于负样本的loss。而RetinaNet改进了loss，使用了focal loss，可以大幅度缓解样本不均衡。

CenterNet是Anchor free的方法。还有CornerNet和ExtremeNet都是keypoint和anchor free的方法。CornerNet是预测目标框左上角和右下角的点。如何知道左上角和右下角是一个物体呢？CornerNet还预测了其他的东西，把他们组合在一起。ExtremeNet是预测5个点，4个边框+1个中心点。后面也是需要group的操作，CenterNet直接预测物体的中心点，以及预测宽高或者offset等，完成物体的检测，非常的简单。

input size resize成512512，然后进入Backbone，Hourglass是一个沙漏网络，在检测人体骨骼很好用。得到的feature map是128128，分辨率下采样了4倍。将feature map输入3个head，分别预测不同的东西。
heatmap是HWC（128128class类别数，不包含背景）（）用于分类；wh：是去预测对应位置的宽高，这里的宽高是heatmap预测出的类别的宽高。
offset：是一个偏移量，是对中心点的调整。因为下采样的时候，精度会损失，对于小物体可能不准确了，offset对于中心点的x，y坐标做一个精细化的调整。HW2，2 就是对x，y的回归。offset也是heatmap预测出的类别的offset。
所以，CenterNet对于物体重合的时候，不能很好的解决。

Backbone

这两个论文可以看一下。Hourglass在keypoint的检测，效果最好，但是参数和计算量比较大。ResNet可能比它快，但是没有Hourglass好。这里做一个折中，backbone用了DLA。

中心点最大，其他8个点比较小，那么这个就是中心点，把它设置为1，其他位置为0。但是实际是，我们在标定gt的时候，是用了一个高斯分布，不是只有中心点是1。

如何制作数据集的Ground Truth

Center的设置

Corner说，左上角和右下角只有在一定的范围之内，都是可以约束的，比如设置一个iou，大于ioc阈值的都是可以的，找到半径r，计算sigma=r/3。CenterNet的keypoint的检测，也是借鉴的这个思想。

CornerNet 几种情况：
情况一：

情况二：

情况三：

CenterNet直接用了CornetNet的r，这里具体是不是完全的精确，还不太确定。但是不要纠结太多。拿过来用即可。（不太严谨）

如何计算Loss

offset。原始图片512512，output是128128，scale factor=4，实际上x，y向下取整，造成了精度损失，对于很小的物体。这里loss错了，实际是L1，不是smooth L1。

points —> bounding box的decode过程。

总结

1.anchor free
2. 可以增加head头，比价灵活