代表性论著1.D. Yang*, X.-Y. Ye, M. Xu, K.-W. Pang, K.-K. Cheung. Investigation of Mn(III)-Based Oxidative Free Radical Cyclization Reactions toward the Synthesis of Triptolide: The Effects of Lanthanide Triflates and Substituents on Stereoselectivity. J. Am. Chem. Soc. 2000, 122, 1658-1663.2.D. Yang*, S. Gu, H.-W. Zhao, Y.-L. Yan, N.-Y. Zhu. Atom-Transfer Tandem Radical Cyclization Reactions Promoted by Lewis Acids. Angew. Chem. Int. Ed. 2002, 41, 3014-3017.3.D. Yang*, J. Qu, W. Li, Y.-H. Zhang, D.-P. Wang, Y.-D. Wu*. Cyclic Hexapeptide of D,L-a-Aminoxy Acids as a Selective Receptor for Chloride Ion. J. Am. Chem. Soc. 2002, 124, 12410-12411.4.D. Yang*. Ketone-Catalyzed Asymmetric Epoxidation Reactions. Acc. Chem. Res. 2004, 37, 497-505. (Invited article to a special issue entitled “Asymmetric Organocatalysis“)5.D. Yang*, X. Li, Y.-F. Fan, D.-W. Zhang. Enantioselective Recognition of Carboxylates: A Receptor Derived from a-Aminoxy Acids Functions as a Chiral Shift Reagent for Carboxylic Acids. J. Am. Chem. Soc., 2005, 127, 7996-7997.3.重庆大学副校长杨丹 杨 丹男，教授、博士、计算机应用技术专业博士生导师。现任重庆大学副校长，重庆大学虎溪校区管理委员会主任。兼任教育部计算机教学指导委员会委员，《计算机教育》编委会成员，中国计算机学会高级会员，中国运筹学会排序专业委员会委员，重庆市工业与应用数学协会副理事长,重庆市软件行业协会副理事长、秘书长，重庆市科委企业信息化专家组顾问。获省部级有突出贡献的中青年专家称号。重庆大学行业信息化工程中心学术带头人. 重庆市第二届政协委员，重庆市第三届人大代表、常委。九三学社社员。重庆大学自动化本科毕业，85.6重庆大学应用数学专业硕士毕业，95.5重庆大学机械制造（工业工程方向）专业博士毕业，1997.10至1999.9在日本国立电气通信大学工业工程专业做博士后研究。研究方向：科学与工程计算、软件工程及应用（企业信息化及制造业运行管理技术）、数字图像处理。长期从事计算机应用技术相关研究工作。主要包括计算机数字图像处理、调度理论及其应用、企业信息化技术及制造业运行管理技术，针对具体问题的建立数学建模、进行算法设计、程序设计与实现等。 获奖情况：软件工程人才培养体系研究与实践，2005年度国家级优秀教学成果二等奖软件工程人才培养体系研究与实践， 2004年度优秀教学成果一等奖（第一获奖人）中国高校自然科学一等奖－制造系统工程的理论与技术体系，2002年度国家级优秀教学成果二等奖 - 制造系统工程（MSE）研究生培养模式与实践，1997年度四川省级优秀教学成果一等奖 - 制造系统工程（MSE）研究生培养模式与实践，1997年四川省有突出贡献的优秀专家称号，四川省省委、省政府，1996年电力系统经济运行的数学模型、方法和程序的研究，四川省科技进步三等奖，1989年度大系统优化分解法在梯级水电站开机组合中的应用，四川省科协首届青年优秀论文奖，1988年四川石油管理局MIS分析与总体设计，四川省科技进步三等奖，1989年三、完成的主要项目为课题负责人或主要研究者共完成国家级及省部级重大科研课题等20项，包括:电力系统经济运行的数学模型、计算方法及程序的研究国家自然科学基金（编号：84S031）四川石油局MIS系统分析与设计、四川石油局MIS软件系统详细设计、四川石油局MIS软件开发国家863项目（编号 863-511 06-0103-01）:FMS刀具管理系统的研究966E技术引进消化吸收国产化计算机系统柳州工程机械厂计算机辅助生产管理系统残缺数据环境中车间计划与控制问题研究, 国家863/CIMS项目, 编号 511-9508-006支持并行工程和精良生产的决策模型研究，国家863/CIMS项目，编号 511-10-0144重庆机床厂CIMS应用工程总体规划, 国家863/CIMS项目, 编号 -6121厦工产品数据管理系统(XGPDM)、零件编码系统的研究与开发先进计划调度系统研究，国家教育部高等学校骨干教师资助项目计算机集成制造系统的生产计划调度新算法研究,重庆市科委应用基础项目先进制造系统生产计划与调度的快速算法研究，国家教育部留学回国人员启动基金项目CD-400CG(31)工业CT图像重建与处理系统，总装备部项目涪陵化工股份有限公司FH-CIMS工程总体设计，重庆市科委制造业信息化重大专项子项目重庆望江股份有限公司CIMS工程总体设计分布式应急时间仿真与管理系统开发，重庆市科委重点攻关项目装备制造业关键技术的研究开发，重庆市科委重大科技攻关项目四、出版作品：（一）专著：《制造系统工程》（专著）第2主编，国防工业出版社，1995年10月《机械工程科学技术前沿》（第一章）第2作者，机械工业出版社96年5月。《制造自动化》第2主编 机械工业出版社，1996年8月《高技术辞典》（编写七个词条，第1作者）， 科学出版社《制造系统工程》（专著,第二版）第3主编，国防工业出版社，2000年10月（二）主要论文有：杨丹 瞿中,基于插值函数的三维图像表面重建算法,哈尔滨工业大学学报,第41卷3期,2009,3,pp134-136 （EI Compendex 收录刊源） 徐玲（博士生）,杨丹,洪明坚等,基于平面曲线协方差矩阵行列式的角点检测的研究,仪器仪表学报,Jan.,2009,Vol.30, No. 1, pp91-95张小洪,李东, 杨丹, T-S模糊系统的脉冲稳定性, 模糊系统与数学, 2008年 06期 徐小明,杨丹, 张小洪. 基于局部不变映射的特征描述器算法. 自动化学报, 2008, Vol.34 (9): 1174-1177,EI Compendex084211647035雷明,杨丹,张小洪,条件理论控制喜爱良态特征的匹配算法,光电工程,May,2008, Vol.35,No.5,pp124－128 （EI Compendex 082711350730）雷明,杨丹,张小洪,张莹.基于协方差矩阵的B-样条多尺度表示的角点检测算法,光电工程,May,2008,Vol.35,No.2,pp45-50 （EI Compendex 081211162202）马丽涛,杨丹,张小洪,李博. 一种新的基于条件数的图像配准算法. 中国图像图形学报, 2008, vol.13, No.2:277-283徐玲,杨丹 王时龙,基于进化神经网络的刀具寿命预测,计算机集成制造系统,2008.1,14卷1期,pp.167-171, EI Compendex 081211161403杨丹,徐传运等,基于主题相关的P2P网络研究,计算机科学,07年,Vol.34,No.8, pp.62-64 葛永新,杨丹,张小洪,基于边缘特征点对对齐度的图像配准方法,中国图像图形学报,Vol.12,No.7, 2007年7月,pp1291-1295黄中美; 张小洪; 杨丹;基于二元树复小波特征表示的人脸识别方法,计算机应用, Journal of Computer Applications, 2007年 05期朱磊; 杨丹; 吴映波, 基于BP神经网络的软件可靠性模型选择, 计算机工程与设计, Computer Engineering and Design, 中文核心期刊, 2007年 17期Zhang, Xiao-Hong; Li, Bo; Yang, Dan,Novel Harris multi-scale corner detection algorithm, 电子与信息学报, v 29, n 7, July, 2007, p 1735-1738 Language: ChineseEI Compendex 073110726873Xiaohong, Zhang Dong, Li; Dan, Yang, Impulsive control of T-S fuzzy systems, Proceedings - Fourth International Conference on Fuzzy Systems and Knowledge Discovery, FSKD 2007, v 1, Proceedings - Fourth International Conference on Fuzzy Systems and Knowledge Discovery, FSKD 2007, 2007, p 321-325,EI Compendex 082211281676张小洪, 雷明, 杨丹, 基于多尺度曲率乘积的鲁棒图像角点检测,中国图像图形学报,Vol.12,No.7, 2007年7月,pp.1270-1275葛永新, 杨丹, 张小洪, 基于特征点对齐度的图像配准方法,电子与信息学报,2007年2月,Vol. 29, No. 2, pp.425-429, EI Compendex 071810576347 Li, Bo; Yang, Dan; Zhang, Xiao-Hong; Ma, Li-Tao,Chaotic lag synchronization of coupled time-delayed neural networks with two neurons using LMI approach,电子与信息学报, v 33, n 11, November, 2007, p 1196-1199,EI Compendex 075210995107杨娟; 杨丹; 雷明; 罗建禄, 基于二代小波和图像置乱的数字图像盲水印算法, 计算机应用, Journal of Computer Applications, 2007年 02期施成湘; 杨丹; 查振家; 张小洪;, 基于特征散度的模糊彩色图像分割算法, 重庆大学学报(自然科学版),2007年 01期, pp89-92李博,杨丹, 张小洪,一种新的基于梯度方向直方图的图像配准方法,计算机应用研究,2007年24卷3期 pp312-314徐光侠, 杨丹,基于Web Service技术的异构系统的无缝集成,计算机工程与设计, 2007年 06期 ,pp1409-1411王玉珠,杨丹,张小洪,基于B样条的改进型Harris角点检测算法,计算机应用研究,2007-02,pp192-193 李博, 杨丹, 张小洪. 基于Harris多尺度角点检测的图像配准新算法, 计算机工程与应用, Computer Engineering and Applications, 2006年 35期 ,pp37-40 陈进,杨丹等,SOA技术在电信业务编排中的应用,计算机科学,2006,pp.290-292 施成湘,杨丹等,扩展的多尺度模糊边缘检测,计算机工程与应用,2006,42,pp65-68 葛永新,杨丹,张小洪,基于小波多尺度积的图像配准方法,计算机科学,2006,242-245文俊浩, 徐玲, 杨丹. 软件工程人才培养的实践探索, 《中国大学教学》（CSSCI检索源期刊）,2005年9期, pp31-33 Qu Zhong, Yang Dan etc.. Study on Interpolation Function of Image Reconstruction, Proc. Of the 11th Joint International Computer Conference(2005), World Scientific, pp952-955 徐国庆,杨丹. 基于daubechies小波的基音检测.武汉化工学院学报.2005年27卷4期张强劲,杨丹,张小洪,葛永新,基于多尺度模糊逻辑的小波边缘检测算法,重庆大学学报（自然科学版）2005, 28（10）：62-65文俊浩,杨丹等. 软件工程人才培养体系研究与实践,高等工程教育研究,2005年第4期（总第93期）,pp. 63-65 杨梦宁,杨丹等. 基于最大数法的模糊图像分割方法,计算机科学,2005 Vol. 32 No. 8, pp. 190-191祝伟华,杨丹等. 数字化校园设计与构建方法研究,计算机科学,2005 Vol. 32 No. 8, pp. 97-99祝伟华,周颖,杨丹, Web服务的安全性研究,计算机科学, 2005年32卷6期瞿中,杨丹,吴渝,扇形束扫描模式图像重建中消除伪影算法研究,计算机研究与发展,2005年,第42卷第8期,pp. 1338－1343 （徐国庆（研究生）,杨丹. 乐音识别方法及应用.计算机应用. 2005年,第25卷4期,pp. 968-970徐国庆,杨丹,小波变换与FFT联合识别乐音,重庆大学学报（自然科学版）,2005 年28卷12期,pp.51-54徐光侠; 祝伟华; 杨丹; 谭亚竹,MMOG的网络负载均衡算法 ,重庆大学学报（自然科学版）,2005年28卷11期, pp. 39-42葛永新,杨丹,张小洪, 基于边缘特征点对对齐度的图像配准方法,计算机科学,已录用杨 丹,张小洪, 基于小波多尺度积的边缘检测算法,计算机科学,2004年 Vol. 31(1) pp133-135杨丹,李东（研究生）,加工系统中的一种排序算法,运筹与管理,2003, Vol. 12, No. 4, pp 42-45王时龙,杨丹等,代理式装配线质量监控系统的智能决策,计算机集成制造系统,2003年4月,Vol. 9, No. 4,pp320-324,EI Compendex 03437696628张小洪,杨丹,刘亚威, 基于Canny算子的改进型边缘检测算法,计算机工程与应用,2003年,Vol. 39,No. 29 pp113-115,刘亚威（研究生）,杨丹,张小洪, 基于空间矩的亚像素边缘定位技术的研究,计算机应用,2003.2,Vol.23, No.2, pp47-49,高精度图像测量与对准系统的算法研究,杨丹,刘亚威,张小洪,李东,计算机科学,2003年 Vol. 30, No. 12, pp 13-135曹于忠,杨丹,不定需求情况下确定生产批量的方法研究,重庆大学学报,2003年11月 Vol. 26, No. 11,pp 105-108.李东,杨丹,最小化总拖期数的一种新算法,控制与决策,第18卷,2003年增刊,pp199-206.杨丹,非相同并行加工系统的启发式调度算法,中国运筹学会第六届学术会议论文集,pp.719-728, Global-Link Publishing Company(Hong Kong),2000年10月,长沙.杨丹,由良宪二,并列机械スケジヱ-リンダにおける近似解法による评价值の下限值にっぃて,Proc. Of Annual Conference of Scheduling Society of Japan, pp. 32-36, Oct. 1999, Kyoto, Japan.杨丹,基于MRP/均衡生产的计划控制模型（Production planning and control model based on MRP/proportionate production）,中国机械工程, 1996年7卷5期, pp. 16-18, EI Compendex 97043591939 杨丹,并行加工系统E/T排序问题研究, 1996年,19卷6期,pp.54-60, 重庆大学学报.杨丹,并行加工系统负荷分配的模型与新算法研究,1996年,19卷6期,pp.73-78,重庆大学学报.制造系统理论体系框架及其应用（Systematic framework and applications of manufacturing systems theory）,中国机械工程,1996年7卷1期,pp.43-45,第2作者,EI Compendex 96093338562Flow-Shop型加工单元生产调度的一个新算法, 投中国运筹学会96年会,第1作者一个均衡生产调度模型和启发式算法,第4届中国计算机集成制造学术会议论文集（CIMS－China’96）,第1作者杨丹,制造系统生产管理的决策点,1995年第2期,重庆大学学报（社科版）.M×N零件排序问题的新算法. 全国计算数学会95年年会论文集. 郑州, 1995 ,第2作者制造系统理论体系框架及其应用,95年,95国际工业工程及制造工程研讨会论文集, 第2作者MRP/均衡生产混合型生产计划控制模型,1995年,95国际工业工程及制造工程研讨会论文集,第1作者单级并行加工系统零件的最优排序. 第二届全国青年学术会议四川卫星会议论文集. 成都, 1995,第2作者柔性制造系统零件排序的一种工程实用新算法. 组合机床与自动化加工技术, 1995(12),第3作者FMS在线刀具管理系统研究. 高技术通讯,1995(5),第4作者柔性制造零件排序的一个工业实用算法. 制造技术与机床, 1995(7),第3作者并行加工设备组生产调度的一般模型及算法. 重庆大学学报. 1994(1), 第3作者柔性制造系统负荷最优分配的一个新算法. 组合机床与自动化加工技术,1994(6),第3作者 FMS生产计划调度系统的研究, 重庆大学学报, VOL. 16 NO.6,1993,第2作者柔性制造系统生产调度中的运筹学模型和方法,重庆大学学报,1993(3),第1作者FMS调度管理算法性能评价方法,组合机床与自动化加工技术 1993(6),第3作者FMS在线刀具管理系统OLTMS, 机 床,1993(4),第3作者贯彻因材施教原则, 注重创造型人材培养. 高等工程教育,1993(2),第1作者Solving economic scheduling prob. of cascade hydropower stations by expert systems combined with methods of OR,3rd Int. Workshop on AI in Eco. & Manag, 1993, Portland, USA, 第2作者 FMS生产决策问题分类和描述,CIMS-China’92论文集, 1992,清华大学出版社, 第1作者FMS单元控制器生产调度系统的结构与功能,CIMS-China’92论文集, 1992,清华大学出版社,第2作者在线刀具管理系统的研究,CIMS-China’92论文集, 1992,清华大学出版社,第3作者Solving economic scheduling prob. Hydro-thermal power systems by the decomposition methods & nonlinear programming methods, IFAC Int. Symp. on control of power systems,1992, Berlin,第2作者 The Models & Techniques in the Production Planning and Scheduling of FMS, Proc. of Int. Conf. on Modelling, Simulation & Control,1992,Hehui, China, 第1作者The mathematical models of environmental planning for the reservoir region of hydropower project, Proc. of the 2nd Int. Conf. on Numerical Opt. Theory & Appl., Xi’an,1991, 第2作者模糊数学和运筹学方法在电力系统经济调度中的应用,高校应用数学学报,1990,第3作者Application of methods of Fuzzy math. & OR in economic scheduling of hydro thermal power systems, IFAC/IFORS/IMACS Symp. on Large Scale Systems,1989, Berlin, 第2作者Solving economic scheduling prob. of cascade hydropower stations by the methods of Fuzzy math. & non-linear programming, Proc. of the Int. Symp. on Eng. Math. and Appl., 1988年, Beijing, 第3作者The application of optimal decomposition methods of large scale systems to the units commitment of cascade hydropower stations, Proc. of the 1st international Conference on Numerical optimization & application, June 14-17,1986, Xian, China, 第1作者杨丹,大系统最优化分解法在梯级水电站开机组合中的应用,重庆大学学报,1986(4).
理论
我们看到了一些特征检测算法，他们很多都不错，但是从实时应用的角度看，他们都不够快，一个最好的例子是SLAM（同步定位与地图创建）移动机器人没有足够的计算能力。
作为解决方案，FAST(加速切片测试特征）算法被提出，Edward Rosten和Tom Drummond 2006年在他们的论文“Machine learning for high-speed corner detection”提出，并在2010年最后修订，算法的基本大意如下：
使用FAST进行特征检测
1.选择一个图像里的像素p用来识别是不是一个兴趣点，它的强度是Ip
2.选择一个合适的阈值t
3.在要测试的像素周围找16个像素的圆
4.现在如果存在一个在圆内（16像素的）的n个连续像素集合，他们都比Ip + t要亮，或者都比Ip - t 要暗（用白虚线显示），那p就是角， n取12。
5.用一个高速测试来排除大量非角。这个测试只检查1,9,5和13位置的像素（首先1和9会测试是否他们太亮或者太暗，如果是，再检查5和13）。如果p是角，那么至少3个都比Ip+t要亮或者比Ip-t要暗，如果不是这样，那么p不可能是角。这个检测器展现了高性能，但是有几个缺陷：
·当n< 12时不能拒绝很多备选点
·像素的选择不是可选的，因为它的效率依赖问题和角的分布。
·高速测试的结果被丢弃了
·会检测出多个爱挨在一起的特征
机器学习角点检测
1.选择一组图像进行训练（最好从目标应用范围内）
2.运行FAST算法来对每个图像进行特征点查找
3.对每个特征点，存下周围的16个像素作为向量。所有图像做完以后得到特征向量P。
4.这16个像素里的每个像素（设为x）可以有下面的三个状态：
5.根据这些状态，特征向量P被分成3个子集，Pd, Ps, Pb.
6.定义个新的布尔变量Kp,如果p是角就是真反之为假。
7.使用ID3算法（决策树分类）来查询每个子集，对于每个true类用变量Kp，它选择x来得出一个备选像素是否是角的信息。
8.对所有子集迭代直到为0
9.创建的决策树用来对其他图形做fast检测
非极大值抑制
在临近位置检测多个兴趣点是另一个问题，可以使用非极大值抑制来解决。
1.计算一个分数函数，V是所有检测到的特征点，V是p和16个围着的像素值得绝对差。
2.计算两个相邻关键点的V值
3.丢掉V值低的那个
总结:
它比其他存在的角点算法要快几倍
但是它对高噪点情况来说不健壮，依赖阈值
OpenCV里的FAST特征检测
它和其他OpenCV里的特征检测类似，如果你愿意，你可以指定阈值，是否使用非极大值抑制，要用的邻居等。
对于邻居，定义了三个标志位， cv2.FAST_FEATURE_DETECTOR_TYPE_5_8, cv2.FAST_FEATURE_DETECTOR_TYPE_7_12和cv2.FAST_FEATURE_DETECTOR_TYPE_9_16.
看结果，第一个图像显示了使用了非极大值抑制的FAST，第二个是没有使用非极大值抑制的。
END
角点作为图像上的特征点,包含有重要的信息，在图像融合和目标跟踪及三维重建中有重要的应用价值。但是基于实际应用需求,从角点检测的快速性、准确性、鲁棒性等要求出发,可以看出上面对各种角点检测算法的分析各有利弊。直接基于图像的角点检测基本上是全局搜索；基于边缘轮廓的角点检测数据量较少,可以采用多分辨分析并行处理,从灰度图像得到边缘轮廓曲线要经过两次以上的全局搜索,速度并不是很快,但对角点的误检和漏检要比直接基于图像的方法好得多。如果在得到轮廓曲线的过程中应用一些其他的变换方法,就计算的速度而言,下降不少，所以一般快速的、较准确的角点检测使用直接基于图像模板的方法完全可以满足需要,但如果对角点的完备性要求较高,那么使用基于轮廓线的多尺度分析方法应该给予考虑。
热门频道
首页
博客
研修院
VIP
APP
问答
下载
社区
推荐频道
活动
招聘
专题
打开CSDN APP
Copyright © 1999-2020, CSDN.NET, All Rights Reserved
打开APP
Anchor-free之CenterNet 原创
2020-07-09 22:39:58
有点方
码龄7年
关注
anchor-base VS Anchor-free
Anchor-base存在的问题：
•与锚点框相关超参 (scale、aspect ratio、IoU Threshold) 会较明显的影响最终预测效果；
•预置的锚点大小、比例在检测差异较大物体时不够灵活；
•大量的锚点会导致运算复杂度增大，产生的参数较多；
•容易导致训练时negative与positive的比例失衡。
Anchor-free算法的优点：
•使用类似分割的思想来解决目标检测问题；
•不需要调优与anchor相关的超参数；
•避免大量计算GT boxes和anchor boxes 之间的IoU，使得训练过程占用内存更低。
由于物体的中心区域是远小于其他背景区域的，整个分类的正负样本和难易样本是极不均衡的。直接训练这样的分类问题很难收敛到一个满意的结果。Base anchor对于正负样本比例失调的解决方式一般为focal loss 和OHEM。前者在损失函数上优化，对正负样本已经困难样本进行不同程度的惩罚；后者将原来的ROI网络扩充为两个ROI，一个ROI只有前向传播，用于计算损失，一个ROI正常前向后向传播，以hard example作为输入，计算损失并传递梯度，根据损失进行筛选，选出对分类和检测影响大的样本。
Base anchor检测差异较大物体的策略主要是FPN，如果没有引入FPN，feature map的每个位置只能输出一个框，并且下采样的倍数是8或者16，那么可能会有很多物体的中心点落在同一格子中，这样就会导致训练的时候有多框重叠现象。FPN这种多层级的表示有效解决了这种冲突的现象，可以在一定程度上解决检测物体差异较大的现象。Anchor free没有使用FPN, feature map的每个位置只能输出一个框，下采样的倍数是8或者16，随着FPN的引入，不同尺寸的物体被分配到了不同的层级上，冲突的概率大大降低。
CenterNet VS CornerNet等
CornerNet将bbox的两个角作为关键点；ExtremeNet 检测所有目标的 最上，最下，最左，最右，中心点。它们都需要经过一个关键点grouping阶段，这会降低算法整体速度。CenterNet针对CornerNet对内部语义缺失和grouping耗时的问题，提出了对中心点进行估计的方法，找到目标的中心，回归出他们的尺寸。仅仅提取每个目标的中心点，无需对关键点进行grouping 或者是后处理。
网络结构
论文中CenterNet提到了三种用于目标检测的网络，这三种网络都是编码解码(encoder-decoder)的结构：
1. Resnet-18 with up-convolutional layers : 28.1% coco and 142 FPS
2. DLA-34 : 37.4% COCOAP and 52 FPS
3. Hourglass-104 : 45.1% COCOAP and 1.4 FPS
每个网络内部的结构不同，但是在模型的最后输出部分都是加了三个网络构造来输出预测值，默认是80个类、2个预测的中心点坐标、2个中心点的偏置。
确立中心点
在整个训练的流程中，CenterNet学习了CornerNet的方法。对于每个标签图(ground truth)中的某一类，我们要将真实关键点(true keypoint) 计算出来用于训练，中心点的计算方式如下
对于下采样后的坐标，我们设为
其中 R 是文中提到的下采样因子4。所以我们最终计算出来的中心点是对应低分辨率的中心点。然后我们对图像进行标记，在下采样的[128,128]图像中将ground truth point以下采样的形式，用一个高斯滤波来将关键点分布到特征图上。
损失函数
1.中心点的损失函数
其中 α 和 β 是Focal Loss的超参数, N 是图像 I 的的关键点数量，用于将所有的positive focal loss标准化为1。在这篇论文中 α 和 β 分别是2和4。这个损失函数是Focal Loss的修改版，适用于CenterNet。
2.目标中心的偏置损失
图像进行了 R=4 的下采样，这样的特征图重新映射到原始图像上的时候会带来精度误差，因此对于每一个中心点，额外采用了一个local offset 去补偿它。所有类 c 的中心点共享同一个offset prediction，这个偏置值(offset)用L1 loss来训练：
这个偏置损失是可选的，我们不使用它也可以，只不过精度会下降一些。
3.目标大小的损失
假设 (X1(k),Y1(k),X2(k),Y2(k)) 为为目标 k，所属类别为c，它的中心点为
我们使用关键点预测 Y^ 去预测所有的中心点。然后对每个目标 K 的size进行回归，最终回归到Sk=(X2(k)-X1(k), Y2(k)-Y1(k))，这个值是在训练前提前计算出来的，是进行了下采样之后的长宽值。作者采用L1 loss 监督w,h的回归
4.总损失函数
整体的损失函数为物体损失、大小损失与偏置损失的和，每个损失都有相应的权重。
论文中 size 和 off的系数分别为0.1和1 ，论文中所使用的backbone都有三个head layer，分别产生[1,80,128,128]、[1,2,128,128]、[1,2,128,128]，也就是每个坐标点产生 C+4 个数据，分别是类别以及、长宽、以及偏置。
推理阶段
在预测阶段，首先针对一张图像进行下采样，随后对下采样后的图像进行预测，对于每个类在下采样的特征图中预测中心点，然后将输出图中的每个类的热点单独地提取出来。就是检测当前热点的值是否比周围的八个近邻点(八方位)都大(或者等于)，然后取100个这样的点，采用的方式是一个3x3的MaxPool。代码中设置的阈值为0.3，也就是从上面选出的100个结果中调出大于该阈值的中心点，最后经过soft nms得到最终的结果。
CenterNet的缺点
1.当两个不同的object完美的对齐，可能具有相同的center，这个时候只能检测出来它们其中的一个object。
2.有一个需要注意的点，CenterNet在训练过程中，如果同一个类的不同物体的高斯分布点互相有重叠，那么则在重叠的范围内选取较大的高斯点。
附：
DCN:
文章知识点与官方知识档案匹配
OpenCV技能树OpenCV中的深度学习图像分类
12101 人正在系统学习中
打开CSDN APP，看更多技术内容
CenterNet(Objects as Points)学习笔记
论文: Objects as Points Code: CenterNer的提出 一般的detection方法将object识别成(无旋转的)矩形框。大部分成功的object检测器会枚举出很多object的位置和尺寸，对每一个候选框进行分类。这是浪费的、低效的。 常规方法中的后处理方法(nms等)是很难微分(diff...
继续访问
『深度应用』对CenterNet的一些思考与质疑·对比与U版YoloV3速度与精度
0.引子 笔者很喜欢CenterNet极简的网络结构，CenterNet只通过FCN（全卷积）的方法实现了对于目标的检测与分类，无需anchor与nms等复杂的操作高效的同时精度也不差。同时也可以很将此结构简单的修改就可以应用到人体姿态估计与三维目标检测之中。 后面一些针对CenterNet结构应用于其他任务，也取得不错的效果，比如人脸检测CenterFace以及目标追踪CenterTrack与FairMot。这些内容后面等笔者研习过后再补充，后面应该会做一个类CenterNet结构总结对比，感兴.
继续访问
最新发布 目标检测 | Anchor free之CenterNet深度解析
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达1 前言本文接着上一讲对CornerNet的网络结构和损失函数的解析,链接如下本文来聊一聊Anchor-Free领域耳熟能详的CenterNet。原论文...
继续访问
CenterNet遇到的问题
问题总结 参考pillow报错 conda install 'pillow<7.0.0' 报错参考THCG改main中 conda创建环境相关操作 conda相关操作2 urllib.error.HTTPError: HTTP Error 404: Not Found网络问题 AttributeError: Can't pickle local objec...
继续访问
目标检测：使用mmdetection对比centernet与yolov3的性能
前情概要 上一篇博客，我通过mmdetection实现的源码解释了centernet的原理，并分析了该算法的一些优缺点，本篇博客我将讲解如何通过mmdetection运行centernet，并基于一个x光数据集对比centernet与yolov3的性能。 本文使用数据集介绍 本文使用的数据集是安检x光的数据集，数据集大小为3600张图片和对应标注，样例图片如下 而需要检测的物体label有10个：knife、scissors、lighter、zippooil、pressure、slingshot、han
继续访问
关于CenterNet移动端部署的思考（for ncnn）
参考 腾讯技术工程 公众号： 本文主要是参考 arlencai 大佬的博文，对于cneternet在ncnn平台移植的实操和分析，先mark一下，准备后续有空闲尝试将这一思路在nvidia的jetson平台上尝试部署，并进行系列优化（如硬件方面框架的tensorrt量化优化、网络层面的移动端部署替代，或者类似yolov5的CSP结构等方法改良尝试等） 一、背景 原文中，大佬主要是针对微信的“扫一扫”功能进行阐述
继续访问
CenterNet
原文： 扔掉anchor！真正的CenterNet——Objects as Points论文解读 Oldpan 2019年5月16日 0条评论137次阅读0人点赞 anchor-free目标检测属于anchor-free系列的目标检测，相比于CornerNet做出了改进，...
继续访问
Anchor Free，框即是点，CenterNet
论文：Objects as Points Github： CVPR 2019 CenterNet，一个anchor free的新的检测算法，算是对cornerNet的改进，在cornerNet基础上，引入了中心点的概念，因此，称为CenterNet。 算法亮点， anchor free，大大减少了a...
继续访问
深度学习（三十七）——CenterNet, Anchor-Free, NN Quantization
CenterNet CenterNet是中科院、牛津、Huawei Noah’s Ark Lab的一个联合团队的作品。（2019.4） 论文： 《CenterNet: Keypoint Triplets for Object Detection》 上图是CenterNet的网络结构图。 正如之前提到的，框对于物体来说不是一个最好的表示。同理，Corner也不是什么特别好的表示：绝大多数情况下，C...
继续访问
anchor-free目标检测之centernet
自从anchor-free方法实现目标检测的Cornernet提出后，对其进行改进的方法也出现了许多。centernet是一篇对其进行改进的论文，将原来的二元组角点检测扩展为三元组检测，加入了中心点的检测。 为了克服需要手动设计anchor的超参数的问题，Cornernet提出基于关键点检测的方法。但是，基于关键点的方法经常会产生大量不正确的对象边界框，可以说是由于缺少对裁剪区域的额外观察。 ...
继续访问
目标检测深度学习方法综述（二）
0.前言 本来准备将一些模型汇总成一篇博客的，但是不知道为啥写了一万多字之后这博客草稿就保存不了了，所以我将剩下的部分放到这篇博客中来（奇怪的BUG ）前文地址： 我们接着上篇文章的章节来好吧。 4.4 SSD算法 SSD 算法是 Faster RCNN 和 YOLO 的结合： 采...
继续访问
配置和运行CenterNet时踩过的坑
在运行CenterNet时遇到的一些问题
继续访问
简单聊聊centerNet:将目标当成点－1．论文
CenterNet：将目标视为点 《Objects as Points》 Date：20190417 Author：德克萨斯大学奥斯汀分校 和 UC 伯克利 ariXiv： https://arxiv.org/abs/1904.07850arxiv.org github： https://github.com/xingyizhou/CenterNetgithub.com ...
继续访问
CenterNet配置及问题详解
作者原版github： Install 按照readme文件夹中的INSTALL.md操作： 0.创建一个虚拟环境 conda create --name CenterNet python=3.6#创建一个名为CenterNet的python3.6虚拟环境 source activate CenterNet #激活...
继续访问
热门推荐 CenterNet算法笔记
论文：Objects as Points 论文链接： 代码链接： 这篇CenterNet算法也是anchor-free类型的目标检测算法，基于点的思想和CornerNet是相似的，方法上做了较大的调整，整体上给人一种非常清爽的感觉，算法思想很朴素、直接，而且...
继续访问
论文阅读笔记 | 目标检测算法——CenterNet算法
如有错误，恳请指出 文章目录1. Introduction2. Preliminary2.1 keypoint detection loss2.2 offset loss2.3 size loss2.4 overall loss3. Objects as Points4. Result paper：Objects as Points Source code： 思想： 目标检测将对象识别为图像中与轴对齐的框。大多数成功的物体检测.
继续访问
目标检测Anchor free方法总结：YOLOv1、CornerNet、CenterNet、FCOS
YOLOv1（2016）: CornerNet（2018）: CenterNet（2019）: FCOS（2019）： 什么是Anchor free方法？ Anchor free是相对于Anchor base而言的一种目
继续访问
Anchor-free目标检测系列3：CenterNet Object as points
CenterNet(一个中心点) CenterNet: Objects as Points (2019.4.17) 论文是由德克萨斯大学奥斯汀分校和UC 伯克利学者共同提出的真正意义上anchor-free的算法。与之前介绍的CornerNet系列算法不同，CenterNet仅仅检测目标中心点，没有后续的角点配对及NMS后处理操作，检测速度和精度相比于one-stage和two...
继续访问
扔掉anchor！真正的CenterNet——Objects as Points论文解读
前言 anchor-free目标检测属于anchor-free系列的目标检测，相比于CornerNet做出了改进，使得检测速度和精度相比于one-stage和two-stage的框架都有不小的提高，尤其是与YOLOv3作比较，在相同速度的条件下，CenterNet的精度比YOLOv3提高了4个左右的点。 CenterNet不仅可以用于目标检测，还可以用于其他的一些任务，如肢体识别或者...
继续访问
深度学习
计算机视觉
机器学习
写评论
评论
收藏
点赞
踩
分享
