摘要

本文提出了CornetNet，一种利用单个卷积神经网络来检测b-box的方法，且是通过检测b-box的“左上”和“右下”两个关键点来检测b-box。

相比之前的单阶段检测器，本文的方法不需要设定一系列的anchor box，且本文引入了corner pooling，有助于网络更好的定位corners。

CornerNet网络的效果：在 MS COCO 上获得了42.2%的 AP，比目前的所有单阶段检测器都要好。

1、引言

目前的单阶段检测因为引入了anchor机制，获得可以和两阶段检测相媲美的精度的同时，有较高的效率。单阶段检测器在输入图像上放置了密集的 anchor ，并通过微调和回归 box 尺寸来得到最终的预测。

使用anchor的方法的缺点：

• 正负样本不均衡：大部分检测算法的anchor数量都成千上万，（DSSD中使用了多于40k个anchor，RetinaNet 中使用了多于100k个anchor）但是一张图中的目标数量并没有那么多，这就导致正样本数量会远远小于负样本，因此有了对负样本做欠采样以及 focal loss等算法来解决这个问题。

• 引入更多的超参数，比如anchor的数量、大小和宽高比等。

本文 CornerNet 的特点：

• 一种新的、无anchor的单阶段目标检测方法

• 检测 b-box 的左上和右下角的角点

• 使用单个卷积神经网络来预测同一目标类别（category）中的所有实例的“左上”角点的和heatmap、右下角点的heatmap、每个检测到角点的 embedding vector。嵌入向量用于对属于同一目标的corner进行分组，也就是该网络的训练目标是实现对同一目标的“左上”和“右下”角点进行匹配，将两者预测得到相同的嵌入向量。

• 本文的方法很大程度地简化了网络的输出，并且无需设计相应的 anchor。

• 本文方法灵感源于Newell等人的文章(2017)中的多人姿态估计上下文中关联嵌入方法，结构如图1所示。
  图1 将目标检测为一对b-box的角点

  利用卷积网络，对所有的左上角点生成一幅热力图，对所有右下角点生成一幅热力图，并且对所有检测到的角点生成一个嵌入式向量。

  训练网络将属于同一目标的角点预测成相同的嵌入式向量

• corner pooling：一种新的 pooling 方法，有助于卷积网络更好的定位b-box的角点。一个b-box的corner常常位于目标之外，如图2所示，所以不能使用局部信息来对corner进行定位。
  
  为了确定在某个像素点上是否有“左上”角点，需要从目标边界的最上边从右至左来进行水平扫描，从边界的左边从下至上来进行垂直扫描，该扫描方法启发了我们corner pooling 方法的产生。

  最终的输出源于两个特征图，它包含两个特征图; 在每个像素位置，它最大池化从第一个特征映射到右侧的所有特征向量，最大池化从第二个特征映射下面的所有特征向量，然后将两个池化结果一起添加，如图3所示
  
  我们认为，检测角点效果比检测b-box中心点或region proposal 方法更好的原因有两个：

• b-box 的中心确定后也很难确定b-box的位置，因为其基于目标的四个边，而定位角点只基于两个边，更简单。且使用 corner pooling使其更加简单，因为该pooling方法能够对corner的先验知识进行编码。

• 角点能够提供更有效的方法来密集的离散化box空间，只需要 $O(wh)$ 个角点就可以表示 $0(w^2{h}^2)$ 个 anchor boxes。

2、相关工作

已有的两阶段目标检测方法精度高但效率较低，已有的单阶段目标检测方法也借鉴了 anchor-based 方法， SSD 和 RetinaNet 都使用了很多的anchor来进行检测，但 Lin 等人（2017）在文章中提出，稠密的 anchor box会导致严重的正负样本不平衡问题，从而发生难以训练或训练效果较差的问题。故他们提出了focal loss的方法，来动态调整每个anchor box的权重，使得单阶段的方法能够接近两阶段检测的方法。

RefineDet（2017）提出了对anchor box 进行滤波的方法来减少负box的量，粗尺度的调整 anchor box。

本文的方法受启发于Newell的多人姿态估计上下文中关联嵌入[27]。Newell等人提出了一种在单个网络中检测和分组人类关节的方法。在他们的方法中，每个检测到的人类关节都有一个嵌入向量。这些关节是根据它们嵌入向量的距离来分组的。

本文是第一个将目标检测任务定义为同时检测和分组角点的任务。我们的另一个新颖之处在于corner pooling layer，它有助于更好定位角点。我们还对沙漏结构进行了显著地修改，并添加了新的focal loss[23]的变体，以帮助更好地训练网络。

3、CornerNet

3.1 概况

cornernet 是通过检测b-box的左上和右下角点来检测一个目标的，通过一个卷积网络预测两组热力图来表示不同类别目标的角点位置，一个热力图表示左上角点，一个热力图表示右下角点。

神经网络同时可以对每个检测到的角点预测嵌入向量，两个源于同一b-box的角点向量距离肯定是最短的。

为了产生紧的b-box，网络同时预测偏移来稍微调整角点的位置，有了预测的热力图、嵌入向量和偏移，我们就可以使用简单的后处理方法来得到最终的b-box。

图4展示了 CornerNet 的结构，我们使用沙漏网络（hourglass network）作为backbone，沙漏网络之后跟两个预测模块：一个模块是左上角点，另一个模块是右下角点。

每个模块都有其自己的corner pooling 模型对沙漏网络的输出进行pooling，即在预测热力图、嵌入向量和偏移之前就pooling。

不同于其他检测器，我们没有使用来自不同尺度的特征。

3.2 检测角点

我们需要预测两组热力图，一组是左上角点的热力图，另一组是右下角点的热力图。

每组热力图有 C 个通道（C 为目标类别），大小为 HxW，没有背景通道。每个通道是表示每个类别的角点的二值掩膜。

对于每个角点，有一个真值 positive 位置，其余的都是 negative 位置，训练过程中，我们没有对负位置都使用相同的惩罚，而是根据其到正位置的半径距离来惩罚，因为一对错误的角点检测如果和正确的角点检测相距很近，其产生的框和真实框交并比会很大，如图5所示。

我们通过确保半径内的一对点生成的边界框与ground-truth的IoU ≥ t（我们在所有实验中将t设置为0.3）来确定物体的大小，从而确定半径。

给定半径之后，惩罚的量会根据非标准的 2D 高斯分布$e^{-\frac{x^2+y^2}{2{\delta }^2}}$来确定，该高斯分布的中心是在正例位置，且其 $\delta$ 是半径的1/3。

令 $p_{cij}$ 表示预测的热力图中类别 c 在位置 (i,j) 上的得分，$y_{cij}$ 是用非标准化高斯增强得到的真实热力图。

定义 focal loss 的变体如下：

• N 是图像中目标的个数
• $\alpha$ 和 $\beta$ 是控制每个点的权重（贡献量）的超参数（$\alpha =2$ 、 $\beta =4$ ）

利用 $y_{cij}$ 中编码的高斯凸点，$(1-ycij)$ 减少了ground-truth周围点的惩罚。

许多网络使用下采样层来综合全局信息，且减少内存使用，当在图像的全卷积过程中使用该方法时，网络的输出总数小于输入图像的大小，所以输入图像的位置 $(x,y)$ 会投影到热力图中的$(\lfloor \frac{x}{n}\rfloor ,\lfloor \frac{y}{n}\rfloor )$，其中 $n$ 是下采样因子。

当从热力图中定位原图中的位置时，可能会丢失一定的精度，这会很大的影响小的b-box和其真实框的 IoU，所以在从热力图估计原图中的位置的时候，先估计一个offset来调整一下角点的位置。

其中，$O_k$ 是偏移 offset， $x_k$ 和 $y_k$ 是角点 $k$ 的坐标。

我们预测的所有类别的左上角共享一组偏移，右下角共享一组偏移。

训练过程中，我们在真实角点的位置使用 smooth L1 loss ：

3.3 角点的分组

一个图像中可能出现多种不同类别的目标，所以可能会检测出来多种左上角和右下角的角点，我们需要确定一组左上+右下角点是否源于同一个box。

判断的方法源于 Newell，因为网络对源于同一个box的角点预测的嵌入向量的距离是最短的，我们可以基于左上和右下角点的嵌入向量的距离来对角点进行分组，而嵌入向量内在的值是不用关心的，我们只使用两者的距离。

我们只使用以为的嵌入向量，令$e_{t_k}$表示目标 $k$ 的 top-left角点，$e_{b_k}$表示目标 $k$ 的 bottom-right 角点。

我们使用 “pull” loss 来训练网络来分组角点，使用“push” loss 来分离角点：

其中，$e_k$ 是 $e_{t_k}$ 和 $e_{b_k}$ 的均值，令 $\Delta =1$，与偏移损失类似，我们仅在ground-truth角点位置应用损失。

3.4 Corner Pooling

如图2所示，通常没有局部视觉证明角点的存在，为了确定一个像素点是不是左上角点（top-left），我们需要从目标边界最上面从右向左水平扫描，从目标边界的最左边从下向上垂直扫描最大值。

我们提出了 corner pooling 来通过编码一直先验信息来更好的定位角点。

假设我们想要确定位置 $(i,j)$ 的像素是否是一个 top-left 角点，令$f_t$ 和 $f_l$ 作为 top-left pooling 层的输入， $f_{t_{ij}}$ 和 $f_{l_{ij}}$ 分别为$f_t$ 和 $f_l$ 的 $(i,j)$ 位置上的向量。

特征图大小为 $H\times W$，corner pooling 层首先对$f_t$ 中的 $(i,j)$ 和 $(i,H)$ 之间的像素进行最大池化，得到 $t_{ij}$。之后对 $f_l$ 中的$(i,j)$ 和 $(W，j)$ 之间的像素进行最大池化，得到 $l_{ij}$。最后，将 $t_{ij}$ 和 $l_{ij}$ 相加，结算公式如下：

其中，我们使用的是像素域最大化操作，其过程如图6所示，右下角点的corner pooling 操作相同。

我们的对所有 $(0,j)$ 和 $(i,j)$ 之间的特征向量进行最大池化，对所有 $(i,0)$ 和 $(i,j)$ 之间的特征也进行最大池化，然后将两者重合的地方相加即可。

corner pooling作用：用于预测热力图、嵌入向量、偏移

预测模块结构如图7所示，第一个部分是修正后的残差模块，该修正的残差模块中，将第一个 3x3 卷积模块用 corner pooling 代替。

修正后的残差模块：首先用128个通道的3x3的卷积模块处理从backbone网络输出的特征向量，之后使用 corner pooling。

残差模块之后：将经过 corner pooling 的特征向量输入 256 个通道的 3x3 的Conv-BN 层，同时加上一个映射捷径。

修正的残差模块之后连接一个有256通道的3x3卷积模块，和 3 个Conv-ReLU-Conv 层来产生热力图、嵌入式向量和偏移。

3.5 沙漏网络

CornerNet 网络使用沙漏网络作为backbone。

沙漏网络最初提出是为了人体姿态估计任务，该网络是一个全卷积网络，包含了多个沙漏模块。

沙漏模块：首先对输入特征利用一系列的卷积核最大池化进行下采样，之后通过一系列上采用和卷积层来对特征进行上采样，使得能够获得和原始输入分辨率一样的输出。

因为最大池化会使得丢失一定的细节信息，所以使用跳跃连接层来重现。

当网络中使用多个沙漏网络时，沙漏模型可以重新处理特征，来捕捉信息的高层特征，该特性使得沙漏网络成为目标检测的理想backbone选择。

本文的沙漏网络（hourglass network）包含了两个沙漏结构，并且我们做了一些修正。

• 我们没有使用最大池化，使用步长为2来降低特征分辨率，我们降低了5倍的分辨率，并且提高了特征通道数（256,384,384,384,512）。

当对特征进行上采样时，我们使用 2 个残差模块，之后使用最近邻上采样。

每个跳跃连接也是由 2 个残差模块组成的，沙漏网络中间有4个512通道的残差模块，进入沙漏模块之前，我们使用步长为2，通道数为128，的7x7的卷积模块将图像分辨率降低 4 倍，之后使用步长为2，通道数为256的残差模块。

类似于 Newell 的文章，我们也在训练时增加了中间监督，但没有给网络添加中间预测回传，这会损害网络性能。

我们给第一个沙漏模块的输入和输出都使用了 1x1 的 onv-BN 模块，之后通过像素相加并使用 Relu 和残差模块，作为第二个沙漏模块的输入。

沙漏网络的深度为104，不同于其他性能较好的检测器，我们只使用的所有网络的最后一层的输出来预测。