编辑丨GiantPandaCV
【导语】前段时间纯粹为了论文凑字数做的一个工作,本文不对CenterNet原理进行详细解读,如果对CenterNet原理不了解,建议简单读一下原论文然后对照本文代码理解(对原版CenterNet目标检测代码进行了极大程度精简)。
代码开源:https://github.com/ZeroE04/R-CenterNet
推荐
主干网用的ResNet而不是DLA
未编译DCN的主干网
原始CenterNet
基本想法就是直接修改CenterNet的head部分,但是是直接在长宽图上加一层通道表示角度,还是多引出一 路feature-map呢?实测是多引出一张feature map比较好,直接在长宽图上加一层通道很难收敛,具体原因我也是猜测,角度和尺度特征基本无共享,且会相互干扰(角度发生些许变化,目标的长宽可能就变了,如果角度是错的,长宽本来是对的呢?反之亦然)引出的feature-map只经历了一层卷积层就开始计算loss,对于这种复杂的关系表征能力不够,可能造成弄巧成拙。网络结构如下:
R-CenterNet网络结构图
代码主要分为五个部分:
{R-CenterNet}
|-- backbone
-- |-- dlanet.py
-- |-- dlanet_dcn.py
|-- dataset.py
|-- Loss.py
|-- train.py
|-- predict.py
不是很重要:
{R-CenterNet}
|-- data/airplane
|-- dcn
2020.1021代码更新(不是很重要)
{R-CenterNet}
|-- labelGenerator
|-- evaluation.py
|-- imgs
def DlaNet(num_layers=34, heads = {'hm': your classes num, 'wh': 2, 'ang':1, 'reg': 2}, head_conv=256, plot=False)
本文仅做学术分享,如有侵权,请联系删文。