摘要
基于关键点的检测器得到了不错的性能，但关键点匹配错误是普遍性存在的，严重的影响了其检测器的性能。
作者通过centripetal shif将相同的类别的实例分开。CentripetalNet是预测角点的位置和向心偏移，通过向向心偏移来对齐角点的匹配。
注：这里说明，基于关键点检测器的难点是针对相同类别的实例。而这个分析来源于在公开数据集中，跑前面论文的模型，分析出的bad case。为了提点，针对普遍存在的问题，进行优化。
corner pooling通过提取bbox的边缘信息，这里为了更好的利用这一信息，设计交叉星形变卷积（cross star deformable convolution)来引导学习这种特征。
注：说明cross star deformable convolution能够更好的提取bbox的信息，为什么呢，这个是后面阅读文献的关键点。
此外，作者加入了anchor free的实例级分割作为mask module。centripetalNet在性能上，不仅优于所有（all，多霸气）的现存的anchor free的方法，还优在实例分割达到最好的效果。
注：如何做实例级分割的，这里大概想下，应该和mask rcnn差不多的思路，毕竟是主要做检测的。针对论文的用词，作者精通写论文。
引言
anchor-base的检测器，经过过去几年的发展，其难点在于如何手工的设计合适的anchor，并且它们还存在正负样本的不均衡的问题。
注：这里总结了anchor-base的难点，虽然是一般性认识，但很多人不一样意识到了。
为了解决这个问题，CornerNet提出了通过提取角点对（左上和右下），来得到bbox的新思路，直接引导了检测的新方向。基于角点的检测器，分为两步，分别为角点的提取和角点的匹配。该文献中，关心第二点。
注：这里引入了cornernet，并总结了方法的特点，并针对性的优化。作者很会写文章，一步步的引人入胜，逻辑清楚。
那么针对角点的匹配进行优化，那是不是我们先思考下，如何做呢？这个是发paper的要有的习惯。作者会提什么样的新颖的方法呢。想到摘要里提到的cross star 形变卷积，有利于提取边缘信息，是不是与它有关呢？如果是，又是如何体现在第二步？
大家可以先去回顾下形变卷积的论文。形变卷积的本质是对几何图形的变化进行自适应的建模，而它放在哪里，都有会性能的提升。如果还是猜不出，作者是如何用这个形变卷积，那么得好好琢磨了。
根据我们的理解，形变卷积应该对第一步的角点提取是很有帮助的，因为在摘要里说是为了改进corner pooling的。这与第二步有什么关系呢？我们在脑子里应该立刻去想，前面的论文针对角点匹配是做了什么优化。论文中也进行了对比：
图1 从图上，可以看到centernet是通过中心点来优化匹配的，而作者是通过方向来判断的，这个想法与openpose的类似。如果是我，我可能会去用PAF去做，这样会更准确，单一方向也会有问题，特别是大框里有小框。不想了，继续看下去。
cornernet和centernet主要是通过associative embedding来得到匹配点的，它们需要学习到两个角点的匹配特征。在它们的方法中，要学习同一个bbox的和不同bbox的区分能力，通过push和pull loss来让每个点进行学习，即属于同一个目标，就pull，不同的目标，就push。
注：这个与triple loss有同样的意思，这类的话题有很多论文讲了，减小类内距，增加类间距。比如传统方法[1]，深度学习，如人脸识别针对loss改进的一系列文献，这里不说了。这里说下主要思路，一是改进loss，二是对数据的质量有一定的要求。
因此，在训练阶段，网络要能够学习到在所有潜在匹配点中，发现唯一的匹配点。其训练的难点在于，针对多相同的目标（如图中的相同的飞机）一起出现时，它会对outliers敏感。第二是，embedding预测是基于纹理语义信息，并没有用到位置信息。
注：这里提到了其难点是训练出现多个相同目标的情况，作者分析是因为只用到语义信息，并没有使用位置信息。那么如何使用位置信息呢？哪些论文使用了位置信息呢，Openpose使用了吗？很显然，openpose用到了，完全可以把openpose的搬过来。
基于上面的考虑，使用centripetal shift方法，同时cross-star deformable convlution模块能够让centripetal shift表现的更好。每一个角点，通过centripetal shift都能够产生一个中心点，如果是同一个bbox的角点，那么这个中心点会非常的接近。
而且不仅仅能学到更大的感受野，还能够几何结构信息。观察得到在corner pooling的输出，有cross stars现象。
cross star包括了目标的边缘信息，是因为corner pooling是通过max和sum实现的交叉星的。所以我内嵌形变卷积，来达到提取定位信息和几何信息。
注：作者的想法是因为corner pooling能够有交叉星的现象，说明有能够学习到任何结构信息，而形变卷积本身能够学习到几何信息，那么两者是否能够结合起来呢，这是他的出发点。
受到目标检测中的多任务的启发，增加实例级的分割，来改善精度。为了证明它的有效性，在MS-COCO数据集上进行验证。
CentripetalNet不仅仅比所有的现存的anchor-free的精度高，还能够在实例级分割上达到最好的效果。
注：MS-COCO说明有它的特点，标注也有多样性。
对于anchor-base的方法，需要仔细的设计anchor。而anchor-free的方法，不需要设计anchor，目前主流有两种：
1. 直接预测目标的中心。比如yolov1、densebox、unitbox。为了解决小目标，导致的低召回问题，FCOS直接训练bbox里面的所有点，检测bbox里所有点到四边的距离。
2. 预测关键点，然后组合成bbox。cornernet、deepextremecut、reppoints。需要仔细的将点集转换成bbox。而centernet增加中心点预测，能够极大改进了性能。这些方法通常有高召回，但会带着很多错误检测。其主要的挑战在于，相同目标的关键点匹配问题。
在我们的工作中，我们提出centripetal shift来编码角点之间的关系及与相关中心的空间信息。
CentripetalNet
我们首先通过centripetalnet pipeline得到候选角点，然后再通过centripetal shift算法进行高质量的角点对。
然后通过cross-star deformable convolution能够产生自适应的的feature，去丰富角点位置的视觉特征。而它的offset field是从角点与它们的中心来学习到的。这种方式，能够对改进centripetal shift module非常重要。
最后增加实例级分析来改善检测精度。
注：它的意思是说，形变卷积的offset filed是通过是从角点与它们的中心单独学习到的。与后面的loss有关系。
注：先来看下这个网络结果，先由Hourglass网络组成backbone，后面由三个分支组成，一个左上角点，另一个是右下角点，还一个是实例分割。
图3 沙漏网络的设计初衷是为了捕捉每个尺度下的信息，即需要局部信息，又需要全局信息。比如人体关键点，需要局部身体信息，还需要在全局人体信息，甚至还需要全局的背景信息。为了单独处理不同尺度的信息，使用skip layers的单个pipeline来保存每个尺度下的空间信息。如上图所示。
其很适合角点检测任务，所以一般的关键点网络里面，都有所涉及。
Centripetal Shift Module
其中ctx,cty,tlx,tly,brx,bry指的是bbox的中心座标、左上点和右下点。s是个常数。cs就是偏移量，取了对数。loss为smoothL1 loss。
注：文章中没有说明指的什么，但代码里写了，指定的是1或8之类常数。
假如输入500X500的图像，那么log(500/2)=2.4，最小目标像素值为16，那么log(16/2)=0.9。所以cs值的变化范围为0.9到2.4，波动并不大，能够进行训练。
其中cs和ctx,cty是要预测的
为了匹配角点，我们设计了基于centripetal shifts的方法来匹配。原理是，同一个bbox的角点，共享同一个中心点。
角点是从heatmaps和local offset得到，然后针对同一类别，且满足左上与右下的位置关系的条件下，进行组合。
注：local offset是因为下采样造成座标点的损失，通过学习，尽可能的恢复其真值的，指的上图中的Otl。这个有些论文也在用，如[2]。
（3）式是直接用于训练的值，它是通过（4）得到左上和右下各自的中心点。
注：(tlx+brx)/2就是bbox ground truth的中心点，(brx-tlx)/2是bbox的宽，那个u是一个[0,1]因子，让其中心点，能够在一定的范围进行波动。其它的也是一样。
这个Rcentral是预先设置好的，就是通过bbox的ground truth，计算出来的一个中心小区域，指的是上图(c)的红色中心小区域。
实验部分，说明了bbox面积>3500的这个u为1/2.1，其它情况为1/2.4。
通过预测，能够一组式（1）的cs值，通过计算与Rcentral的IOU，可以用来计算score。值越高，代表越相近。
注：这个w是用于筛选正样本的，训练和测试中都会用到。
这个IOU有点特别，首先各角点所预测的中心点，要落到Rcentral区域中。由于有这个条件，所以是包含关系，IOU计算很简洁。
Cross-star Deformable Convolution
由于corner pooling本身在featuremap中有cross stars的特点，如上图（a）所示，其包括了丰富的目标上下文信息，是因为使用max和sum的操作。为了得到cross star中的上下文信息，不仅需要大的感受野，还需要学习任何结构信息。
注：corner pooling只需要看下面两图就明白了。
图6 图7
我们使用cross-star-deformable convolution来加强这种feature的提取。这个在上面的原理图上有说明。
首先，将corner pooling的结果，输入到cross-star deformable convolution模块里，为了学习到cross star的几何结构信息，直接在guiding offset上进行相关目标的训练。对于左上的点，让它更加关注右下的特征，使用减小目标外的特征的提取。其效果图在图5（b）中。这样，即包括了形状，也包括了方向信息。
在进行3X3，1X1的两层卷积得到guiding shift，在此处，加入监督学习，用如下的loss。
其中的变量，参考图4。也就是说这个loss直接在形变卷积里做了。注意，这里的ground truth是下采样后的座标值。这样在featuremap的上的值，很干净了，如图5(c）所示
Instance Mask Head
为了确保检测模块能够产生proposal，我们先用一些epochs进行预训练。选择top k高的proposal，使用ROIAlign去做mask。ROIAlign的大小是14X14，mask预测的大小是28X28.
ROI后，连续使用4个3X3的卷积后，再上采样得到28X28的mask map m，训练阶段，使用交叉熵进行训练
实验
最终我们的Loss为
这个
作者使用16个 32G NVIDIA V100GPUs进行训练的
注：真有钱
作者针对Hourglass-52训练了110epochs，Hourglass-104训练了210个epochs。网络输入大小511X511.
在测试阶段，使用pad=0进行填充。
Comparison with state-of-the-art models
从上面的结果，可以看出，相对centernet，我们的改进是在中大值目标上。原因是目标越大，偏离值越大，中心越难学。针对二阶段网络，我们的指标还是很有竞争力的。
注：w.o指的是without。你看看人家的表述，很有竞争力，前面表述的是在坐的各位anchor-free都是渣渣。
我们认为有较高的召回的原因有两个：
1. 和cornertnet相比，基于centripetal shift的匹配方式能够有效消除误检的高分框
2. 我们的匹配策略不依赖于中心检测
注：AR是平均召回的意思。第一条的意思是，减小角点的误匹配的问题。第二个是为了解释第一点。总的来说是一个意思。
从上面来看，mask分支的结果，并不是最好的。和mask rcnn相比，在强些；有ExtremeNet有相同的骨干网络，有了4.2%的AP提升。
Ablation study
Cross-star Deformable Convolution
形变卷积通常是用来特征适应其形状，同时它的主要的不同在于怎么通过offset field来得到不同的feature。
在Guided anchoring里是学习预测的anchor shapes校正到不同位置的不同anchor的形状。
AlignDet提供了更加精确的特征提取，即ROI convolution。为了能够对比，我们对每个角点回归宽高，然后应用 RoI convolution在corner pooling。这里的RoI conv能够比deformable conv提供更高精度的anchor shapes。
就能看懂下面的图了
针对RoI conv还要比deformable还好，作者在deformable的基础上增加了guiding shift，这样比RoI conv更好了。
是有两个原因：
1. 在corner pooling后，已经有了边缘的信息了，能够更好的特征提取能力了。
2. 直接回归bbox宽高，在corner location上有是不准的，以至于在ROI上无法和groundtruth进行对齐，而无anchor的没有这个问题。
注：这里，作者把它的文章的设计过程的思路进行了对比，这点非常好，我们看到了作者是如何一步步的改进过来的。
刚开始直接用形变卷积，发现并没有太好的效果，只涨了0.1个点。于是上了RoI conv，但它是学习bbox的宽高，发现宽高学的不好，于是想到加个guiding shift，在这里加入bbox的位置和方向信息，更容易的学习到几何结构信息。这个就是前面讲的部分。
Instance Segmentation Module
作者发现，增加mask多任务分支，在110epchos时，增加了0.3%，在210epchos时，增加了0.4%，但cornerNet并没有增加。这说明多任务学习，对corner的预测和关联性预测，是没什么影响的。但对centripetal shift的预测是有影响的。
注：至于为什么，不清楚，认真思考，有利于对多任务学习的理解。
注：这个是它的效果图，看起来，少了很多大的误检框了，同时也减小了些漏检。
参考文献：
[1] Qian Q, Jin R, Zhu S, et al. Fine-grained visual categorization via multi-stage metric learning[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2015: 3716-3724.
[2] Liu W, Liao S, Ren W, et al. High-level semantic feature detection: A new perspective for pedestrian detection[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2019: 5187-5196.