CenterNet和CenterNet2筆記
CenterNet是基於anchor-free的一階段檢測算法
CenterNet2是CenterNet作者基於兩階段的改進
centernet的paper
centernet的code
centernet2的paper
centernet2的code
centernet的實現思路:
centernet的預測結果會將輸入進來的圖片划分成不同的區域,每個
區域都會有一個特征點,centernet網絡的預測結果就會判斷這個特征
點是否有對應的物體，以及物體的種類和置信度，同時還會對特征點進行調整獲得物體的中心坐標，回歸預測獲得物體的寬高
centernet的缺點：
centernet如果兩個相同的類別的距離比較近那么他的中心點可能只有
一個不太好預測可能會參數誤差
參考博客
- 見於已經有許多優秀的博客進行了CenterNet解讀,這里之后復習的時候看這些博客就夠了
- 博客1:帶代碼解讀
Pytorch搭建自己的Centernet目標檢測平台 - 博客2:比較全面
扔掉anchor！真正的CenterNet——Objects as Points論文解讀 - 博客3:關於熱點圖的解讀
說點Cornernet/Centernet代碼里面GT heatmap里面如何應用高斯散射核 - 博客4:兩個centernet的比較
論文也撞衫，你更喜歡哪個無錨點CenterNet? - 博客4：用官方的代碼訓練自己的數據集
（絕對詳細）CenterNet訓練自己的數據（pytorch0.4.1）
CenterNet2
框架圖
之前傳統的雙階段目標檢測(以faster-rcnn為例)中的第一個階段是使
用SPN網絡參數是前景框還是背景框。並沒有表明該框是前景還是背景的
可能性-->因為之前的spn網絡並沒有給這些框打分的功能。但是常見的
一階段的算法有這個功能。
所以作者的做法是使用常見的一階段充當two-stage的第一個stage,這樣就可以對是屬於前景還是背景進行打分--->方便后面進行刪選出更少的區域處理給第二stage處理
abstact中的說明
作者與一階段，傳統兩階段，以及自己方法的比較
作者這里使用的評估也是一步
總覽
