目标检测论文解读：CenterNet: Keypoint Triplets for Object Detection
这篇也是2019的一篇anchor-free系列的one-stage目标检测论文。碰巧的是和另一篇center net重名，而刚好那篇论文比较出名，所以这篇论文属实比较惨，但是其实这篇论文的思想还是很简介易懂，非常值得学习。
这篇论文可以说是CornerNet的改进，关于CornerNet，可以参考我之前写的这篇解读：https://blog.csdn.net/weixin_44629973/article/details/105188429
背景
在我看来，这篇论文其实就是将CornerNet检测两个角点变为检测两个角点和一个中心点，这是因为算法对目标框较敏感，其embedding其实并不能很好的将属于一组的角点连接在一起。
因此论文作者的想法是：将检测两个角点变成检测两个角点+一个中心点，如果中心点在角点组成的bbox中才认为检测正确，中心点的检测和检测角点的值均有一定的创新。
流程
前面的backbone部分和cornernet完全相同，不再阐述。作者提出了cascade corner pooling替代原有的corner pooling，针对检测中心点提出了corner pooling。
cascade corner pooling
原有的corner pooling是在两个方向取最大值最后相加，这样导致角点对边缘特别敏感，而对于物体内部信息缺乏理解，所以导致后面的embedding做的并不出彩，为了改善这一情况，cascade corner pooling先沿着边界找到最大值，然后再向内寻找最大值，将内部最大值相加赋给原来的角点，这样角点既有外部感知也有内部感知。
center pooling
如何找到center点？
找出目标两个方向像素值最大的点即为center
如何判断center在bbox中？
首先确定这里的bbox和平常的bbox不太一样，因为bbox的大小影响center的检测问题。For example, smaller central regions lead to a low recall rate for small bounding boxes,while larger central regions lead to a low precision for large bounding boxes。因此设计出了不同尺度的bbox
对于边框长*宽＞22500使用n=3，＞22500使用N=5