大家好，我是为人造的智能操碎了心的智能禅师。
这篇文章为大家解读由密歇根大学 Hei Law 团队在 ECCV 2018发布的论文，一种新的目标检测算法。
目标检测算法在诸如自动驾驶、图像分类、人脸检测、视觉搜索等场景中，有着非常重要的意义。
今天的文章由极市平台投稿。
极市平台
深圳极视角旗下的视觉算法平台。主要为开发者提供算法开发、测试、推广、销售等服务，希望与开发者一起建立视觉算法的 App Store。
基础知识：主流算法简介
密歇根大学 Hei Law 等人在 ECCV 2018上，发表了一篇论文，提出了目标检测 CornerNet 算法。这个算法和主流算法有很多不一样。CornerNet 顾名思义，就是由图像边界形成的角（corner），组成的网（net）。
在 CornerNet 算法出现以前，目标检测领域的主流算法主要分为 one-stage （一刀流，如 SSD, YOLO）和 two-stage （二刀流，如 RCNN 系列）两种。
One-stage 做法是直接在图片上经过计算生成检测；Two-stage 则先提取 proposal, 再基于 proposal 做二次修正。
相对而言，one-stage 速度快精度低；而 two-stage 相反，精度高速度慢。
2014年 Ross Girshick 利用 CNN 成功取代了 HOG、DPM 等特征提取，把目标检测分成了三个步骤：
图像提取 detection proposal（其实就是图像中一些可能是检测物体的区域）
使用 CNN 对这些 proposal 进行特征提取
用 svm 对这些提取到的特征进行分类，从而完成检测的任务
这是 two-stage object detectors 鼻祖。
从 RCNN、SPPNet 到 fast RCNN，再到 Faster RCNN，目标检测的三个步骤（区域选择，特征提取，分类回归）被统一到一个深度网络框架之内，大大提高了运行速度。
FCN，FPN，RoI Align，Mask Branch 等技术把 Faster R-CNN 往前极大的推进。之后又出现了 FCN，IoU，NMS，ION，FPN，RoI Align 和 Mask Branch 等技术渊源，后来又有 YOLO，SSD，AttratioNet，G-CNN，R-FCN，Mask R-CNN，Mask X R-CNN 等的进化关系！
Faster RCNN 算法框架
One-stage 检测算法，不需要 region proposal 阶段，直接产生物体的类别概率和位置坐标值，经过单次检测即可直接得到最终的检测结果，因此有着更快的检测速度。
比较典型的算法如 YOLO，SSD，Retina-Net。YOLO 使用了分治思想，将输入图片分为 SxS 的网格，不同网格用性能优良的分类器去分类。
SSD 将 YOLO 和 Anchor 思想融合起来，并创新使用 Feature Pyramid 结构。
YOLO，YOLO-v2，YOLO-v3，SSD，DSSD 等实时模型的推出，让目标检测变得更快。
CornerNet 怎么做的？
CornerNet 认为二刀流目标检测最明显的缺点是在 Region Proposal 阶段需要提取的 anchor boxes。这样做导致两个问题：
提取的 anchor boxes 数量较多，比如 DSSD 使用40 k，RetinaNet 使用100 k，anchor boxes 众多造成征服样本均衡
Anchor boxes 需要调整很多超参数，比如 anchor boxes 数量、尺寸、比率，影响模型的训练和推断速率
Hei Law 等人舍弃了传统的 anchor boxes 思路，通过提出 CornerNet 模型预测目标边界框的左上角和右下角一对顶点，也就是使用单一卷积模型生成热点图和嵌入式向量（嵌入式向量）。
CornerNet 框架
作者的思路其实来源于一篇多人姿态估计的论文。基于 CNN 的2D 多人姿态估计方法，通常有2个思路（从下往上和从上往下）：
从上往下的框架，就是先进行行人检测，得到边界框，然后在每一个边界框中检测人体关键点，连接成每个人的姿态。缺点是受人体检测框影响较大，代表算法有RMPE
从下往上的框架，每个人体关键点部件的检测，再将检测到的人体部位拼接成每个人的姿态。代表方法就是 openpose
CornerNet 模型架构
CornerNet 模型架构
如图，CornerNet 模型架构包含三部分：环面网络、右下角和左上角的热图、预测模块。
环面网络是人体姿态估计的典型架构，堆叠两个环面网络生成左上和右下角，每一个角都包括角合并、对应的热图、嵌入式向量和偏移。
环面网络同时包含多个从下往上（从高分辨率到低分辨率）和从上往下（从低分辨率到高分辨率）过程。这样设计的目的是在各个尺度下抓取信息。
嵌入式向量使相同目标的两个顶点（左上角和右下角）距离最短，偏移用于调整生成更加紧密的边界定位框。
首先是探测角
论文中，模型生成的热图包含 C 信道（C 是目标的类别，没有背景信道），每个信道是二进制掩膜，表示相应类别的顶点位置。
对于每个顶点，只有一个地面实况，其他位置都是负样本。在训练过程，模型减少负样本，在每个地面实况顶点设定半径 r 区域内都是正样本，这是因为落在半径r区域内的顶点依然可以生成有效的边界定位框，论文中设置 IoU = 0.7。
用 pcij 表示类别为 c、坐标是（i,j）的预测热点图；ycij 表示相应位置的地面实况；变体缺失灶表示检测目标的损失函数。
训练损失函数包含了4个损失函数，α， β 和 γ 用于调整相应损失函数的权重：
由于下采样，模型生成的热点图相比输入图像分辨率低。论文提出偏移的损失函数，用于微调角和地面实况偏移。
然后将角进行分组
因为输入图像会有多个目标，会相应生成多个目标的左上角和右下角顶点。Hei Law 引入辅助嵌入式（Associative Embedding）思想，对顶点进行分组。
模型在训练阶段为每个 corner 预测相应的嵌入式向量，通过嵌入式向量使同一目标的顶点对距离最短，既模型可以通过嵌入式向量为每个顶点分组。
模型训练 Lpull 损失函数使同一目标的顶点进行分组，Lpush 损失函数用于分离不同目标的顶点。
CornerNet 创新在什么地方？
第一个创新是将目标检测上升到方法论。
基于多人姿态估计的从下往上思想，预测角的热图，根据嵌入式向量对角进行分组，其主干网络也来自于姿态估计的环面网络。
第二个创新是提出了角合并（corner pooling） 用于定位顶点。
自然界的大部分目标是没有边界框也不会有矩形的顶点，依左上角合并为例，对每个信道，分别提取特征图的水平和垂直方向的最大值，然后求和。
corner pooling 计算方式
之所以 corner pooling 有效，原因有以下2点：
目标定位框的中心难以确定，和边界框的4条边相关，但是每个顶点只与边界框的两条边相关，所以角更容易提取
顶点能更有效提供离散的边界空间，O（wh） 顶点可以表示 O（w2h2） anchor boxes
第三个创新是模型基于环面架构，使用缺失灶（缺失灶）的变体训练神经网络。
经过 MS COCO 测试验证，CornerNet 能够达到42.1% AP，完胜所有的one-stage 目标检测方法。
CV 的很多任务之间是相通的，CVPR2018 best paper 也印证这一观点，在不同的子领域寻找相似性，迁移不同领域的算法，是 CV 行业一个趋势。
多人姿态估计的环面网络算法也不断改进中，其实论文模型的推断速率受限于环面网络的特征提取，有志青年也可以沿着这个思路取得更好的性能。
以上仅为本文作者阅读论文后的理解、总结和思考。观点难免偏差，望读者以怀疑批判态度阅读，欢迎留言讨论。
参考文献：
Newell, A., Huang, Z., Deng, J.: Associative embedding: End-to-end learning for joint detection and grouping. In: Advances in Neural Information Processing Systems. pp. 2274{2284 （2017）
Hei Law, Jia Deng :CornerNet: Detecting Objects as Paired Keypoints.ECCV2018 Girshick, R.: Fast r-cnn. arXiv preprint arXiv:1504.08083 （2015）
Girshick, R., Donahue, J., Darrell, T., Malik, J.: Rich feature hierarchies for accurate object detection and semantic segmentation. In: Proceedings of the IEEE conference on computer vision and pattern recognition. pp. 580{587 （2014）
Lin, T.Y., Goyal, P., Girshick, R., He, K., Doll?ar, P.: 缺失灶 for dense object detection. arXiv preprint arXiv:1708.02002 （2017）
Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C.Y., Berg, A.C.:SSD: Single shot multibox detector. In: European conference on computer vision.pp. 21{37. Springer （2016）
Newell, A., Yang, K., Deng, J.: Stacked 环面网络s for human pose estimation. In: European Conference on Computer Vision. pp. 483{499. Springer （2016） Amir R. Zamir , Alexander Sax Taskonomy: Disentangling Task Transfer Learning.CVPR2018
