（仅翻译了与目标识别相关的内容）
论文地址：https://arxiv.org/pdf/2003.09119.pdf
源码地址：https://github.com/KiveeDong/CentripetalNet
目录
3.1. Centripetal Shift Module
3.2. Cross-star Deformable Convolution（Cross-star变形卷积）
4.2. Comparison with state-of-the-art models（与最新模型的比较）
4.4. Qualitative analysis （定性分析）
基于关键点的检测器具有良好的性能。然而，不正确的关键点匹配仍然普遍存在，严重影响了检测器的性能。在本文中，我们提出了 CentripetalNet，它利用向心偏移来对同一实例中的角点进行配对。CentripetalNet 预测角点（corner points）的位置和向心偏移（centripetal shift），并对偏移结果对齐（aligned）的角点进行匹配。结合位置信息，我们的方法比传统的嵌入方法更精确地匹配角点。corner pooling 将边界框内的信息提取到边界上。为了使角点处的信息更加敏感（更容易被察觉），我们设计了一个 交叉星可变形卷积网络（corner-star deformable convolution network）来进行特征自适应。此外，我们通过为我们的CentripetalNet安装一个 mask prediction module（掩模预测模块）来探索anchor-free检测器上的实例分割。 在MS-COCO test-dev上，我们的CentripetalNet不仅以48.0％的AP胜过所有现有的anchor-free检测器，而且以40.2％的M askAP达到了与最新实例分割方法相当的性能。代码将在https://github.com/KiveeDong/CentripetalNet上提供。
目标检测是计算机视觉在自动驾驶、移动娱乐、视频监控等应用中的一个基本课题。其挑战来源于目标外观较大的尺度、形变、遮挡。随着深度学习的发展，目标检测取得了长足的进步[10,9,29,26,23,19,11,20,1,17]。基于锚的方法[9,29,23]在过去几年中引领了潮流，但是很难手动设计一组合适的锚。此外，基于锚的方法在负锚和正锚之间存在显著的不平衡。为了改进它，CornerNet[17]提出了一种将边界框表示为一对角点的新方法，即左上角和右下角。基于这种思想，出现了许多基于角点的方法[17,7]。corner-based 的检测框架逐渐引领了目标检测领域的新趋势。corner-based 的检测框架分为角点预测和角点匹配两个步骤。在本文中，我们主要关注第二步。
常规方法[17,7]主要采用关联嵌入方法对角点进行配对，其中网络需要学习每个角点的附加嵌入，以识别两个角点是否属于同一个 边界框(bounding-box)。这样，如果两个角来自同一个box，它们将有一个相似的嵌入，否则，它们的嵌入将完全不同。基于关联嵌入的检测器在目标检测中取得了相当不错的性能，但是它们也有一些局限性。首先，在训练过程中采用推拉损失（ push and pull loss）来学习每个点的嵌入。Push loss（推损）将在不属于同一目标的点之间计算，以使它们彼此远离。而 pull loss（拉损）只在属于同一 物体的点之间进行考虑。因此，在训练过程中，实际上训练了网络在对角线的所有潜在点内寻找唯一的匹配点。当一个训练样本中存在多个相似目标时，该方法对异常值非常敏感，训练难度将会急剧增加。其次，嵌入预测基于外观特征，不使用位置信息，如图1所示，如果两个目标的外观相似，即使它们相距很远，网络也会为它们预测相似的嵌入。
图1.（a）由于相似外观引起的相似嵌入，CornerNet会生成一些错误的角点对。（b）Center
