Bottom-up Object Detection by Grouping Extreme and Center Points
论文以标准的关键点估计网络来检测4个极值点（上，下，左 ，右端点）和1个中心点，然后通过几何关系对提取到的关键点进行分组，一组极值点（5个）就对应一个检测结果。也就是说，把关键点任务转化为，目标检测任务。
ExtremeNet检测框架
ExtremeNet使用Hourglass网络作为backbone，产生4个C通道、大小为H x W的heatmaps，一个C通道、大小为H x W的heatmap，以及4个2通道（x，y方向）、大小为H x W的偏移map。
检测细节
- ExtractPeak对于给定一个heatmap，检测其中所有的峰值来提取相应的关键点。在对3*3窗口中的局部最大值，使用预设阈值进行筛选。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。
第一步，ExtrectPeak。 即提取heatmap中所有的极值点，极值点定义为在3x3滑动窗口中的极大值。
第二步，暴力枚举。对于每一种极值点组合（进行适当的剪枝以减小遍历规模），计算它们的中心点，如果center map对应位置上的响应超过预设阈值，则将这一组5个点作为一个备选，该备选组合的score为5个对应点的score平均值。
- Ghost box抑制
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。
- 边缘融合
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。
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。
下图中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
多任务联合训练
ExtremeNet沿用了CornerNet的网络结构和损失函数
-
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）
- 偏置修正
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。
中使用smooth L1损失：
参考：
论文学习笔记ExtremeNet
论文阅读 | ExtremeNet：Bottom-up Object Detection by Grouping Extreme and Center Points
