CenterNet目标检测【详解】

1、Backbone

Hourglass:主要用于关键点检测，缺点是权重太多
Resnet：速度快，但效果不好
DLA：折中的方案

2、Heatmap

网络在预测heatmap中心点的时候，不是只在一个点为1，其他点为0；而是一个高斯分布，类似于山峰的形状，

首先介绍一下CornerNet，红框是GroundTruth，绿框是预测的，则预测框和GT有3种情形，分别计算IOU，求出半径 r ，然后选出3种 r 的最小值。

（1）GT在预测框之内

（2)GT在预测框之外
(3)GT和预测框重叠

2.1 Heatmap Loss

这是原始的Focal Loss

这是改进后的Focal Loss，即GT越接近于1，$(1-Y_{xyc}{)}^{\beta }$越小，相应的非正样本的Loss就越小，$\alpha$和$\beta$是超参数，

2.2 WH Loss

采用的是L1 Loss，

2.3 offse Loss

比如原图是512x512，进行4倍下采样后变成128x128，然后再乘4倍后一定会有精度的损失，所以需要计算offset的回归，$\frac{x_k}{n}$是没有损失精度的float类型，$[\frac{x_k}{n}]$是int类型，是损失精度的，

2.4 Total Loss 和 decode

Loss包括Heatmap Loss,宽高的Loss，为了避免检测大物体的影响，需要在前面乘以${\lambda }_{size}$，${\lambda }_{size}$设置为0.1，以及offset Loss；

下面2行是解码过程；