CSP将目标定义为中心点和尺寸，通过网络直接预测目标的中心和寸尺，相对于传统的RCNN类型检测算法轻量化了不少。整体思想与Object as Points撞车了，真是英雄所见略同
来源：晓飞的算法工程笔记 公众号
论文: Center and Scale Prediction: A Box-free Approachfor Pedestrian and Face Detection(High-level Semantic Feature Detection: A New Perspective for Pedestrian Detection)
Introduction
目前一些研究基于深度卷积网络进行边缘检测，获得了不错的效果。论文认为既然卷积网络能够预测边缘，那网络必然也能预测物体的中心点及其尺寸。于是论文将检测的目标定义为中心点及尺寸，提出了CSP(Center and Scale Prediction)
CSP的网络结构大致如图1所示，在主干网络上分别预测目标中心点的位置及其对应的尺寸。这篇文章的整体思想与CenterNet(zhou. etc)基本一致，但不是抄袭，因为是同一个会议上的论文，CenterNet主要研究常规的目标检测，而这篇主要研究人脸检测和行人检测。但CSP仍然需要进行NMS的后处理，较CenterNet更逊色一些，但不妨碍我们进行简单地了解，包括学习论文的训练方法以及参数。
Overall architecture
CSP检测算法的结构如图2所示，主干网络由ImageNet的预训练网络截断所得，主要分为特征提取部分以及预测部分。
Feature Extraction
以ResNet-50为例，卷积层分为五个阶段，下采样比例分别为2、4、8、16和32，论文进行了以下修改与设置：
- 将第五阶段的卷积更换为空洞卷积，使其保持下采样比例为16。
- 为了融合浅层和高层特征，在Concatenate前将多阶段输出进行反卷积扩大至同一分辨率。
- 由于不同阶段特征图的分辨率不同，使用L2-normalization将各阶段特征图的范数缩放为10。
- 论文通过实验最终只选用了第3、第4和第5阶段的特征进行检测。
- 给定大小为
的输入图片，最终的concatenated特征图大小为
，r为4时性能最好。
Detection Head
在获得concatenated特征图后，使用简单的detection head将特征转化为检测结果。首先采用
卷积层输出256维特征，然后分别使用
卷积层来产生偏移值预测，尺寸图和中心点热图。
Training
Ground Truth
给定GT标注，能够自动地生成对应的GT中心点位置和尺寸。将GT标注对应特征图上的位置设定为中心点正样本，其它位置均为负样本。尺寸可定义为目标的高和宽，对于使用line annotation标注的行人数据集，其长宽比固定为0.41，仅需预测高度即可。对于GT尺寸，正样本位置的值定义为
，在其半径范围2以内的位置也设为同样的值，其余设置为零。而若加入偏移值预测分支，该分支的GT定义为
。
Loss Function
对于中心点预测分支，将其视为分类任务使用交叉熵损失进行训练。为了让训练更加平滑，跟CornerNet一样定义高斯核，在特征图上对GT点进行半径范围内的扩展：
为图片中的目标数，
为中心坐标以及宽高，方差
与目标的高和宽成比例，如果高斯区域有重叠，则取最大值。为了防止正负样本极度不平衡，加入focal loss的权值进行平衡：
代表网络预测该位置为目标中心的概率，
代表GT标签。
对于尺寸预测，将其视为回归任务使用smooth L1损失进行训练：
和
分别代表网络预测结果和每个目标的GT。如果使用了偏移值分支，则同样将其视为回归任务进行训练。完整的优化目标为：
,
,
分别设置为0.01，1和0.1
Inference
在测试的时候，CSP直接进行简单的前向推理，保留中心热图中置信度大于0.01的位置及其尺寸结果，生成对应的预测框并映射到原图尺寸，对所有保留的预测结果进行NMS处理。如果使用了偏移值预测分支，则对映射后的中心点进行调整。
Conclusion
CSP将目标定义为中心点和尺寸，通过网络直接预测目标的中心和寸尺，相对于传统的RCNN类型检测算法轻量化了不少。整体思想与Object as Points撞车了，发表于同一期会议，真是英雄所见略同了。
如果本文对你有帮助，麻烦点个赞或在看呗～
更多内容请关注 微信公众号【晓飞的算法工程笔记】
