狗都能看懂的CenterNet讲解及代码复现(狗能看懂的电视)

狗都能看懂的CenterNet讲解及代码复现 文章目录前言网络结构Backbone数据读取Loss计算模型预测预测结果后处理预测框转换训练tensorboard可能会出现的现象总结

推荐整理分享狗都能看懂的CenterNet讲解及代码复现(狗能看懂的电视)，希望有所帮助，仅作参考，欢迎阅读内容。

文章相关热门搜索词:狗能看懂什么颜色,狗看得懂文字吗,狗看得懂文字吗,狗狗能看懂什么动画片,狗看得懂文字吗,狗能看懂文字吗,狗狗能看懂什么动画片,狗能看懂的图片,内容如对您有帮助，希望把文章链接给更多的朋友！

论文: https://arxiv.org/abs/1904.07850

前言

之前博文介绍的目标检测算法如：Yolo系列、Faster RCNN等，这些基于先验框去进行预测的目标框的算法，我们称为anchor-base。即使是anchor-base中的one-stage算法，因为其复杂后处理，也常常被人诟病不是真正的end2end算法。在目标检测领域中，还有另一种不用基于先验框的模式，我们称之为anchor-free。

anchor-free的定义就很简单了，输入一张图片，输出则是一堆检测框的坐标、类别和置信度，实现了真正意义上的端到端。那这篇文章就来介绍一下比较有名的Objects as Points(CenterNet)

网络结构

网络主要分成三个部分Backbone、Decoder和Head

Backbone

在论文中只提了一下，是Hourglass，没有详细介绍。我个人复现采用的是resnet50，各位读者有兴趣也可以自己替换下。有关于ResNet的介绍在之前的博客已经讲解了，还没看的同学可以点这里。Backbone部分我们只取其中最后一个feature map，resnet50经过5次下采样后，最后一个feature map的宽高维度为为原来的1/32，通道维度为2048。

Decoder

Decoder中采用UpSample + BN + Activation作为一个block，以此堆叠三次作为一个Decoder。其中CenterNet的UpSample为反卷积，激活函数为ReLU。需要注意的是，三个反卷积的核大小都为4x4，卷积核的数目分别为256，128，64。那么经过Decoder之后，feature map的宽高维度则变为原来1/4（比较重要，后面会反复用到），通道维度为64。

对应的代码是：

class CenterNetDecoder(nn.Module): def __init__(self, in_channels, bn_momentum=0.1): super(CenterNetDecoder, self).__init__() self.bn_momentum = bn_momentum self.in_channels = in_channels self.deconv_with_bias = False # h/32, w/32, 2048 -> h/16, w/16, 256 -> h/8, w/8, 128 -> h/4, w/4, 64 self.deconv_layers = self._make_deconv_layer( num_layers=3, num_filters=[256, 128, 64], num_kernels=[4, 4, 4], ) def _make_deconv_layer(self, num_layers, num_filters, num_kernels): layers = [] for i in range(num_layers): kernel = num_kernels[i] num_filter = num_filters[i] layers.append( nn.ConvTranspose2d( in_channels=self.in_channels, out_channels=num_filter, kernel_size=kernel, stride=2, padding=1, output_padding=0, bias=self.deconv_with_bias)) layers.append(nn.BatchNorm2d(num_filter, momentum=self.bn_momentum)) layers.append(nn.ReLU(inplace=True)) self.in_channels = num_filter return nn.Sequential(*layers) def forward(self, x): return self.deconv_layers(x)

Head

CenterNet的Head部分是值得我们说道一下的，分成三个组件HeatMap、WidthHeight以及Offset。三个组件都需要经过64维的Conv + BN + ReLU，然后分别用对应的卷积层输出。每个组件的输出都是一个feature map，Head部分是不会改变feature map的尺寸的，所以feature map宽高维度还是输入的1/4。物体的中心落在了feature map中那个格点，这个格点就负责存储预测信息。

HeatMap的最后一个卷积层通道维度为分类数量，卷积核大小为1x1，最后需要用sigmoid激活函数处理一下。其输出的形式和解码类似于语义分割。在物体的中心，它的响应很强，接近于1，在背景部分为0。我们解码的时候，在通道维度上进行Argmax，即可得到最终的分类index。

WidthHeight对应的是检测框宽高，因为宽高信息为2个，所以其最后一层卷积通道输出维度为2，卷积核大小为1x1。Offset，由于HeatMap的到的响应是基于物体中心的，而且相当于输入来说是下采样四倍的，从HeatMap中的到的物体中心是有一点误差的。所以需要用Offset的结果对物体中心点进行修正，如下图所示，其最后一层的卷积通道维度为2，卷积核大小为1x1。

Head的对应的代码是：

class CenterNetHead(nn.Module): def __init__(self, num_classes=80, channel=64, bn_momentum=0.1): super(CenterNetHead, self).__init__() # heatmap self.cls_head = nn.Sequential( nn.Conv2d(64, channel, kernel_size=3, padding=1, bias=False), nn.BatchNorm2d(64, momentum=bn_momentum), nn.ReLU(inplace=True), nn.Conv2d(channel, num_classes, kernel_size=1, stride=1, padding=0), nn.Sigmoid() ) # bounding boxes height and width self.wh_head = nn.Sequential( nn.Conv2d(64, channel, kernel_size=3, padding=1, bias=False), nn.BatchNorm2d(64, momentum=bn_momentum), nn.ReLU(inplace=True), nn.Conv2d(channel, 2, kernel_size=1, stride=1, padding=0)) # center point offset self.offset_head = nn.Sequential( nn.Conv2d(64, channel, kernel_size=3, padding=1, bias=False), nn.BatchNorm2d(64, momentum=bn_momentum), nn.ReLU(inplace=True), nn.Conv2d(channel, 2, kernel_size=1, stride=1, padding=0)) def forward(self, x): hm = self.cls_head(x) wh = self.wh_head(x) offset = self.offset_head(x) return hm, wh, offset数据读取

CenterNet的数据读取比较简单。首先，无论是预测还是训练都需要做的就是：resize输入图像，最常见的是保持图像宽高比，然后将短边不足的部分进行pad。至于Ground Truth的坐标信息，只需要将它转换为HeatMap、WidthHeight和Offset三个组件即可。三个组件也是由原图宽高的1/4（对应Decoder部分）大小的feature map进行存储。

HeatMap顾名思义就是热力图，也即物体中心的响应为1，其余地方为0。但在训练时，这么做是会让整个数据变得非常稀疏，正负样本严重不平衡。所以输入时，我们会用高斯函数处理成物体中心为1，其余部分数值慢慢递减，呈正态分布，如下图所示。这么做的好处可以使得输出更平滑，容易在卷积结构中建模。至于高斯核的超参数等如何设置这里就不一一阐述了，有兴趣的读者可以自行查阅。

WidthHeight则是在对应位置上存储检测框的宽和高，注意这里的宽高也是指检测框原始尺寸的1/4。

Offset同理，只是它存储的是偏移量，那么这个偏移量的定义是中心点坐标的小数部分。也即

offsetx=int(x1+x2/2)−(x1+x2/2)offsety=int(y1+y2/2)−(y1+y2/2)offset_x = int(x1 + x2 / 2) - (x1 + x2 / 2)\\ offset_y = int(y1 + y2 / 2) - (y1 + y2 / 2)offsetx​=int(x1+x2/2)−(x1+x2/2)offsety​=int(y1+y2/2)−(y1+y2/2) 在代码实现中还会返回一个mask在loss中进行计算，这个mask在物体中心为1，其余地方为0，目的是为了只计算物体中心的WidthHeight和Offset loss，其余不是物体中心的预测就不计算loss了。

def __getitem__(self, index): batch_hm = np.zeros((self.output_shape[0], self.output_shape[1], self.num_classes), dtype=np.float32) batch_wh = np.zeros((self.output_shape[0], self.output_shape[1], 2), dtype=np.float32) batch_offset = np.zeros((self.output_shape[0], self.output_shape[1], 2), dtype=np.float32) batch_offset_mask = np.zeros((self.output_shape[0], self.output_shape[1]), dtype=np.float32) # Read image and bounding boxes image, bboxes = self.parse_annotation(index) if self.is_train: image, bboxes = self.data_augmentation(image, bboxes) # Image preprocess image, bboxes = image_resize(image, self.input_shape, bboxes) image = preprocess_input(image) # Clip bounding boxes clip_bboxes = [] labels = [] for bbox in bboxes: x1, y1, x2, y2, label = bbox if x2 <= x1 or y2 <= y1: # Don't use such boxes as this may cause nan loss. continue x1 = int(np.clip(x1, 0, self.input_shape[1])) y1 = int(np.clip(y1, 0, self.input_shape[0])) x2 = int(np.clip(x2, 0, self.input_shape[1])) y2 = int(np.clip(y2, 0, self.input_shape[0])) # Clipping coordinates between 0 to image dimensions as negative values # or values greater than image dimensions may cause nan loss. clip_bboxes.append([x1, y1, x2, y2]) labels.append(label) bboxes = np.array(clip_bboxes) labels = np.array(labels) if len(bboxes) != 0: labels = np.array(labels, dtype=np.float32) bboxes = np.array(bboxes[:, :4], dtype=np.float32) bboxes[:, [0, 2]] = np.clip(bboxes[:, [0, 2]] / self.stride, a_min=0, a_max=self.output_shape[1]) bboxes[:, [1, 3]] = np.clip(bboxes[:, [1, 3]] / self.stride, a_min=0, a_max=self.output_shape[0]) for i in range(len(labels)): x1, y1, x2, y2 = bboxes[i] cls_id = int(labels[i]) h, w = y2 - y1, x2 - x1 if h > 0 and w > 0: radius = gaussian_radius((math.ceil(h), math.ceil(w))) radius = max(0, int(radius)) # Calculates the feature points of the real box ct = np.array([(x1 + x2) / 2, (y1 + y2) / 2], dtype=np.float32) ct_int = ct.astype(np.int32) # Get gaussian heat map batch_hm[:, :, cls_id] = draw_gaussian(batch_hm[:, :, cls_id], ct_int, radius) # Assign ground truth height and width batch_wh[ct_int[1], ct_int[0]] = 1. * w, 1. * h # Assign center point offset batch_offset[ct_int[1], ct_int[0]] = ct - ct_int # Set the corresponding mask to 1 batch_offset_mask[ct_int[1], ct_int[0]] = 1 return image, batch_hm, batch_wh, batch_offset, batch_offset_maskLoss计算

Loss由三部分组成，分别使用交叉熵+focal loss的HeatMap损失，论文中提到α\alphaα设置为2，β\betaβ设置为4

原作者的代码是没有对pred输出做限制，我在实际训练中如果不加以限制，则会导致pred经过log计算之后的输出为NaN或Inf，所以使用torch.clamp()进行截取，相关代码如下：

def focal_loss(pred, target): """ classifier loss of focal loss Args: pred: heatmap of prediction target: heatmap of ground truth Returns: cls loss """ # Find every image positive points and negative points, # one bounding box corresponds to one positive point, # except positive points, other feature points are negative sample. pos_inds = target.eq(1).float() neg_inds = target.lt(1).float() # The negative samples near the positive sample feature point have smaller weights neg_weights = torch.pow(1 - target, 4) loss = 0 pred = torch.clamp(pred, 1e-6, 1 - 1e-6) # Calculate Focal Loss. # The hard to classify sample weight is large, easy to classify sample weight is small. pos_loss = torch.log(pred) * torch.pow(1 - pred, 2) * pos_inds neg_loss = torch.log(1 - pred) * torch.pow(pred, 2) * neg_inds * neg_weights # Loss normalization is carried out num_pos = pos_inds.float().sum() pos_loss = pos_loss.sum() neg_loss = neg_loss.sum() if num_pos == 0: loss = loss - neg_loss else: loss = loss - (pos_loss + neg_loss) / num_pos return loss

WidthHeight和Offset的损失由l1 loss计算，原理比较简单，代码注释中有详细说明，这里就不做阐述了。

def l1_loss(pred, target, mask): """ Calculate l1 loss Args: pred: offset detection result target: offset ground truth mask: offset mask, only center point is 1, other place is 0 Returns: l1 loss """ expand_mask = torch.unsqueeze(mask, -1).repeat(1, 1, 1, 2) # Don't calculate loss in the position without ground truth. loss = F.l1_loss(pred * expand_mask, target * expand_mask, reduction='sum') loss = loss / (mask.sum() + 1e-7) return loss

为了防止宽高部分前几个epoch的误差较大，影响了总的loss，所以使用0.1的系数缩放wh_loss，公式如下： total_loss=c_loss+0.1∗wh_loss+off_losstotal\_loss = c\_loss + 0.1 * wh\_loss + off\_losstotal_loss=c_loss+0.1∗wh_loss+off_loss

模型预测

模型预测相对训练会多两个步骤：1、预测结果后处理 2、预测框转换。

预测结果后处理

这个很好理解，模型得到的是HeatMap、WidthHeight和Offset，我们需要用将三个结果进行运算才能得出最终的预测框。

首先，我们对HeatMap的通道做Argmax和max处理，得出分类的index和最高得分。根据得分置信度过滤掉低于阈值的物体中心（此时的过滤完的结果已经带有分类信息和物体中心位置的坐标了）。 第二步，将Offset的偏移量加到HeatMap中的物体中心坐标上，进行修正。 第三步，根据上面HeatMap的过滤结果，对置信度高于阈值的WidthHeight进行转换，xyhw -> x1y1x2y2，就得到预测框了。 最后将预测框结果进行归一化，方便后面预测框转换计算。

预测框转换

虽然论文作者一直强调自己这个模型是一个完全端到端的设计，不需要nms等后处理操作。只需要一个3x3的max_pooling层就可以替代nms。但是实际使用中，无论模型的预测结果还是训练数据，都在结果转换后进行nms。

这里简单讲一下原因。以这张图作为例子，里面有一只狗和凳子是检测的目标。凳子和狗的原始HeatMap是以下两张图，我们可以看到，中心区域响应最强，周围慢慢衰减至0。

经过3x3的max_pooling之后，确实消除了一些低响应区域，但由于3x3的核太小，只进行一次池化操作，无法消除所有底响应区域，结果如下图所示。这样的结果是不可用的，画到原图上之后，物体会有多个中心，且框的宽高都是0。

如果硬是要用池化层进行过滤，只有两个办法1、加大卷积核尺寸 2、增加池化次数。这两个方法都会增加计算量，而且对于每张图来说，尺寸设置多大？池化次数增加多少次？这都不一样，没办法用一个统一的值来确定。所以最方便的方法还是用nms进行后处理。

在进行完nms之后，我们将预测框的坐标尺度从0-1变为原图大小，最后将之前图像resize和pad部分给去掉就得到最后的检测框了。

上述代码为：

def predict(image, model, dev, args): """ Predict one image Args: image: input image model: CenterNet model dev: torch device args: ArgumentParser Returns: bounding box of one image(x1, y1, x2, y2 score, label). """ input_data = image_resize(image, (args.input_height, args.input_height)) input_data = preprocess_input(input_data) input_data = np.expand_dims(input_data, 0) input_data = torch.from_numpy(input_data.copy()).float() input_data = input_data.to(dev) hms, whs, offsets = model(input_data) hms = hms.permute(0, 2, 3, 1) whs = whs.permute(0, 2, 3, 1) offsets = offsets.permute(0, 2, 3, 1) outputs = postprocess_output(hms, whs, offsets, args.confidence, dev) outputs = decode_bbox(outputs, (args.input_height, args.input_height), dev, image_shape=image.shape[:2], remove_pad=True, need_nms=True, nms_thres=0.45) return outputs[0]训练

代码中实现了两种训练方式，从头开始，和迁移学习+fine tune。推荐使用后者，会有更好的效果。github上提供了一些自动化脚本，方便初学者更好上手。

tensorboard

训练过程中可以用tensorboard来观察训练情况。内置有训练的loss和learning rate曲线。

在Images里能查看到模型的实时预测情况，左图为Ground Truth，右图为Prediction。

!

开启方法为：

tensorboard --logdir="./logs/exp/"可能会出现的现象

随着训练的进行，会出现train loss持续下降，val loss先下降后上升的情况。这是CenterNet独有的假过拟合现象。这是由于网络对非物体中心的HeatMap预测趋近于0，从而和Ground Truth不一致。

Epoch 5 ->val loss = 0.2789 -> peak conf = 0.4273

Epoch 20 -> loss = 8.3402 -> peak conf = 0.9791

总结

CenterNet是anchor free中的一个里程碑之作。CenterNet除了目标检测之外，还可以迁移到其他领域中，如人体关键点，姿态预测等。推荐大家先读一下原文。

本人用torch复现的代码在这里。

部分图引用源为：睿智的目标检测46——Pytorch搭建自己的Centernet目标检测平台、从零开始理解CenterNet中的Heatmap热图