cornernet简介
cornernet构成
cornernet是一种不同于之前的检测网络的一种新的网络，大部分思路源于stacked hourglass network。网络本身属于一步网络，在预测过程中不再需要进行anchor的设置，取而代之的是预测目标的左上角坐标和右上角坐标，每一组角点将代表一个目标。在网络前向传递的过程中，网络将输出两组heatmap：对应每个预测位置是一个角点的概率；heatmap通常比原图小一些，因此需要进行位置的进一步修正，与之对应的就是网络的offset输出；最终多个角点之间还需要进行匹配，这是网络的第三个输出embedding vector，代表一个抽象的空间中每一个heatmap对应点所在的位置，同一目标的两组角点之间的距离将尽可能的近，而不同目标之间的角点距离要尽可能的小，而距离本身无实际物理意义。
hourglass network
hourglass network是cornernet的基网络，网络结构与残差网络近似，先将输出的分辨率逐渐降低，在向上采样并进行融合，最后每个hourglass network的输入和输出是同分辨率的。hourglass network的输出是作为后续corner pooling的输入。
corner pooling
此处只对左上角的池化进行解释：对于输出分为两次池化并将二者相加，对于top pooling从下至上逐列进行max pooling，同进行left pooling逐行进行从右至左的max pooling。在最终的测试中，corner pooling将结果提升2左右。
embedding vector
corner pooling的输出将用作heatmap、embedding vector和offset的输入。embedding vector的工作机制主要源于损失函数的计算，pull loss减小同类角点的距离，push loss增大不同组角点的距离，使得角点可以进行有效的匹配。
offset
offset的存在是因为heatmap与原图大小不一，存在舍入误差，需要进行修正，进一步使得角点更加接近目标的最小外接矩形。对于预测和真实的offset将采用smooth l1 loss进行损失函数的计算。
loss
最后将介绍网络的损失函数计算，损失函数由四个部分构成：
Detect loss:角点损失
Offset loss:角点坐标修正
Pull loss:统计统一目标
Push loss:区分不同目标
不同的损失函数存在不同的作用，其中pull loss使用于同类目标的聚集，而push loss则是对不同目标的角点进行区分
效果展示