论文阅读 | ExtremeNet：Bottom-up Object Detection by Grouping Extreme and Center Points

 

相关链接

论文地址：https://arxiv.org/abs/1901.08043

论文代码：https://github.com/xingyizhou/ExtremeNet

概述

ExtremeNet是今年（2019）1月23号挂在arxiv上的目标检测论文，是至今为止检测效果最好的单阶段目标检测算法。思想借鉴CornerNet，使用标准的关键点估计网络检测目标关键点进而构造目标的预测框。ExtremeNet预测四个extreme point（顶、左、底、右）以及目标的中心点，如果这五个点满足几何对齐关系，就将其组合成一个目标框。ExtremeNet在COCO test-dev上的AP达到43.2%。此外，根据extreme point还可以得到更加精细的八边形分割估计结果，在COCO Mask上的AP达到34.6%。

ExtremeNet介绍

ExtremeNet是一个自底向上的目标检测框架，检测目标的四个极值点（顶端、左端、底端、右端），使用state-of-the-art的关键点估计框架产生每个类别的五个Heatmaps（四个极值点和一个中心点）。使用纯几何方法组合同一目标的极值点：四个极值点的几何中心与预测的中心点heatmap匹配且高于阈值（暴力枚举，时间复杂度O（n^4），不过n一般非常小）。

 

图2 展示了算法的大致流程。首先产生四个预测极值点的heatmap（图2顶部）和一个预测中心点的heatmap（图2左下），提取极值点heatmap的峰值（图2中左），暴力枚举所有组合，计算几何中心（图2中右），如果几何中心与中心heatmap高度匹配，则接受该组合，否则拒绝（图2右下）。

该算法与CornerNet的区别在于关键点定义和组合。（1）CornerNet采用左上和右下角点，角点往往不在目标上，没有较强的外观特征；而ExtremeNet采用极值点，极值点在目标上，容易区分且具有一致的局部外观特征。（2）CornerNet点对组合是根据embedding vector的距离，而ExtremeNet则是根据几何中心点。ExtremeNet完全基于外观，没有任何的隐特征学习。

网络结构

网络结构如下图所示：

 

ExtremeNet使用Hourglass网络作为backbone，产生4个C通道、大小为H*W的heatmaps，一个C通道、大小为H*W的heatmap，以及4个2通道、大小为H*W的偏移map。Heatmaps通过加权逐像素逻辑回归进行训练，其中权重用于减少在ground-truth位置附近的假阳性惩罚（详见CornerNet）。四个极值点的估计使用了CornerNet的结构和损失函数，不过没有使用embedding部分。

focal loss的变体来处理heatmap损失：

 

其中，pcij是类别c在位置(i, j)的score，ycij是非标准化高斯增强的ground-truth，N是图像中目标数，α和β是超参数（实验中α设为2，β 设为4）。

Offsets则是位置偏移。下采样的使用使得输出尺寸小于原始图像尺寸，假设下采样因子为n，则图像中（x, y）映射到Heatmaps的([x/n], [y/n])。取整计算会导致精度丢失，使用offsets来更准确地进行Heatmaps到输入图像的映射。

 

训练过程中使用smooth L1损失，即：

 

训练设置、损失函数以及offset预测与CornerNet相同。

Center grouping算法如下：

 

ExtractPeak就是给定一个heatmap，检测其中所有的峰值来提取相应的关键点。峰值就是3*3窗口中的局部最大值。预设阈值进行筛选。暴力枚举所有组合，计算几何中心，如果其在中心点的heatmap上有高响应则接受结果，得分为五个heatmap的平均值。阈值设置τp=0.1，τc=0.1。

Center grouping算法可能会出现这样的情况：处理三个共线且尺度相同的目标时，是产生三个正确的小框还是一个错误的大框呢？这种假阳性的检测结果称为“ghost box”。文中使用一种soft NMS来抑制ghost box：如果某个边框中包含的所有框的分数之和超过其本身得分的3倍，则将其得分除以2。

此外，极值点并非总是唯一的，比如一个汽车的极值点可能是水平或竖直的线段，文中极值点的响应是对边缘多个点的弱响应而不是一个点的强响应。这有可能产生几个问题：弱响应可能会被忽略；目标如果发生轻微旋转即便检测到关键点，得分也有很大差异。作者采用边缘聚集的方法来解决：对于每个极值点（局部最大值点），分别沿水平和垂直两个方向进行聚集，也就是在每个方向上找极值点最近的左右两个局部最小值，在区间内做加权和作为极值点的得分。公式如下所示：

 

其中，m为极值点位置，i0、i1分别为距离m最近的两个局部最小值。

如下图所示，使用边缘聚集策略后，边缘中心的像素点的置信度明显提升：

 

实例分割

文中提出了一个简单的八边形逼近目标的方法（基于四个极值点形成的矩形边界框）：将一个极值点左右各延长1/8形成线段，如果遇到矩形框的角时则截断。将这四个线段的端点连接起来，形成八边形。

实验

在COCO数据集上进行实验，如果一条边与坐标轴平行或者夹角小于3度，就将其中心作为极值点。从头训练太耗时，使用了CornerNet的预训练模型进行finetune。

细节：最多只取ExtractPeak 中top40的点进行枚举；测试阶段使用flip argumentation策略；对增强的检测结果使用soft NMS。检测速度3.1fps。

在COCO数据集上的检测结果：

 

由上表可见，ExtremeNet多尺度模型的效果达到目前单阶段算法的最佳AP（43.2%），比CornerNet提升1.1%；而单尺度模型的AP比CornerNet低了0.4%，在中、小目标的检测上AP都高于CornerNet，而大目标检测略差，可能原因是中心点的response map不够准确造成的。

在实例分割方面，ExtremeNet与DeepExtremeCut结合，在COCO val2017上达到34.6%的AP，而当前最先进的Mask RCNN的AP为34.0%（基于ResNet-50+FPN）、37.5%（基于ResNeXt-101+FPN）。在实例分割方面也与最先进的方法相当。