亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

本文是收錄于CVPR2020的目標檢測的新工作，從關鍵點檢測的角度出發進行創新，提出了向心偏移和十字星可形變卷積等創新點，在COCO數據集上以48.0％的AP勝過所有現有的Anchor-free檢測器，值得學習。

論文地址：//arxiv.org/pdf/2003.09119.pdf

代碼地址：

基于關鍵點的檢測器已經取得了不錯的性能。但是，錯誤的關鍵點匹配仍然廣泛存在，并且極大地影響了檢測器的性能。在本文中，提出了CentripetalNet，它使用向心偏移（centripetal shift）來配對來自同一實例的角corner關鍵點。

具體來說，CentripetalNet預測角點的位置和向心偏移，并匹配與其偏移結果對齊的角。因為聯合了位置信息，本文的方法比傳統的嵌入方法更準確地匹配角點。Corner pooling 將邊界框內的信息提取到邊界上。為了使這些信息在角落更清晰，本文設計了一個十字星形（cross-star）可變形卷積網絡來進行特征自適應。此外，通過在CentripetalNet上引入一個mask預測模塊，可以在在Anchor-free目標檢測器上實現實例分割任務。

在MS-COCO test-dev數據集上，CentripetalNet不僅以48.0％的AP勝過所有現有的Anchor-free檢測器，而且以40.2％的Mask AP達到了與最新實例分割方法相當的性能。

CornerNet的主要結構主要由以下3部分組成：

• 沙漏結構Hourglass：特征提取的Backbone，能夠為后續的網絡預測提供很好的角點特征圖。

• 角點池化Corner Pooling：作為一個特征的池化方式，角點池化可以將物體的信息整合到左上角點或者右下角點。

• 預測輸出：傳統的物體檢測會預測邊框的類別與位置偏移，而CornerNet則與之完全不同，其預測了角點出現的位置Heatmaps、角點的配對Embeddings及角點位置的偏移Offsets。