cornernet簡介
cornernet構成
cornernet是一種不同于之前的檢測網絡的一種新的網絡，大部分思路源于stacked hourglass network。網絡本身屬于一步網絡，在預測過程中不再需要進行anchor的設定，取而代之的是預測目标的左上角坐标和右上角坐标，每一組角點将代表一個目标。在網絡前向傳遞的過程中，網絡将輸出兩組heatmap：對應每個預測位置是一個角點的機率；heatmap通常比原圖小一些，是以需要進行位置的進一步修正，與之對應的就是網絡的offset輸出；最終多個角點之間還需要進行比對，這是網絡的第三個輸出embedding vector，代表一個抽象的空間中每一個heatmap對應點所在的位置，同一目标的兩組角點之間的距離将盡可能的近，而不同目标之間的角點距離要盡可能的小，而距離本身無實際實體意義。
hourglass network
hourglass network是cornernet的基網絡，網絡結構與殘差網絡近似，先将輸出的分辨率逐漸降低，在向上采樣并進行融合，最後每個hourglass network的輸入和輸出是同分辨率的。hourglass network的輸出是作為後續corner pooling的輸入。
corner pooling
此處隻對左上角的池化進行解釋：對于輸出分為兩次池化并将二者相加，對于top pooling從下至上逐列進行max pooling，同進行left pooling逐行進行從右至左的max pooling。在最終的測試中，corner pooling将結果提升2左右。
embedding vector
corner pooling的輸出将用作heatmap、embedding vector和offset的輸入。embedding vector的工作機制主要源于損失函數的計算，pull loss減小同類角點的距離，push loss增大不同組角點的距離，使得角點可以進行有效的比對。
offset
offset的存在是因為heatmap與原圖大小不一，存在舍入誤差，需要進行修正，進一步使得角點更加接近目标的最小外接矩形。對于預測和真實的offset将采用smooth l1 loss進行損失函數的計算。
loss
最後将介紹網絡的損失函數計算，損失函數由四個部分構成：
Detect loss:角點損失
Offset loss:角點坐标修正
Pull loss:統計統一目标
Push loss:區分不同目标
不同的損失函數存在不同的作用，其中pull loss使用于同類目标的聚集，而push loss則是對不同目标的角點進行區分
效果展示