【目标检测Anchor-Free】CVPR 2019 Object as Points（CenterNet）

た入场券 2023-07-02 06:28 21阅读 0赞

# 前言 #

前天发了一个推文[【目标检测Anchor-Free】CVPR 2019 CenterNet][Anchor-Free_CVPR 2019 CenterNet]，讲解的是CenterNet: Keypoint Triplets for Object Detection这篇论文，今天要讲的这篇论文全名是Object as Points。这篇论文提出的网络也被叫作CenterNet，和前面介绍的CenterNet重名了，注意加以区别。论文原文见附录。

> 摘要：目标检测往往是在图像上将目标以矩形框的形式标出。大多数先进的目标检测算法都是基于Anchor框来穷举可能出现目标的位置，然后针对该位置进行目标的分类和回归，这种做法浪费时间，低效，并且需要额外的后处理（NMS）。这篇论文使用不同的方法，构建模型时将目标作为一个点，即目标BBox的中心点。并且检测器使用关键点估计来找到中心点，并回归其它的目标属性，例如尺寸，3D位置，方向，甚至姿态。这个模型被论文叫做CenterNet，这个模型是端到端可微的，更简单，更快速，更准确。下面是其性能：1：Resnet-18 with up-convolutional layers : 28.1% coco and 142 FPS 。2：DLA-34 : 37.4% COCOAP and 52 FPS 。3：Hourglass-104 : 45.1% COCOAP and 1.4 FPS。

下面的Figure2展示了使用CenterNet目标检测器检测目标的一个可视化效果。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p1c3Rfc29ydA_size_16_color_FFFFFF_t_70]

# 贡献 #

CenterNet的创新点如下：

*  用heatmap预测的目标中心点代替Anchor机制来预测目标，使用更大分辨率的输出特征图（相对于原图缩放了4倍），因此无需用到多层特征，实现了真正的Anchor-Free。CenterNet和Anchor-Based检测器的区别如Figure3所示。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p1c3Rfc29ydA_size_16_color_FFFFFF_t_70 1]

*  网络可拓展性非常强，论文中介绍了实现3D目标检测和人体姿态估计任务。具体来说对于3D目标检测，直接回归得到目标的深度信息，3D目标框的尺寸，目标朝向；对于人体姿态估计来说，将关键点位置作为中心的偏移量，直接在中心点回归出这些偏移量的值。例如对于姿态估计任务需要回归的信息如Figure4所示。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p1c3Rfc29ydA_size_16_color_FFFFFF_t_70 2]

*  由于模型设计简单，因此在运行速度和精度的平衡上取得了很好的结果。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p1c3Rfc29ydA_size_16_color_FFFFFF_t_70 3]

# 网络设计 #

## 网络结构 ##

CenterNet的网络结构如Figure6所示。对于2D目标检测任务来说，CenterNet输入 512 × 512 512\\times 512 512×512分辨率的图像，预测 2 2 2个目标中心点坐标和 2 2 2个中心点的偏置。以及 80 80 80个类别信息。其中Figure6(a)表示Hourglass-104，Figure6(b)表示带有反卷积做上采样的ResNet-18，Figure6（c）表示经典的DLA-34网络，而Figure6(d)表示改进的DLA-34网络。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p1c3Rfc29ydA_size_16_color_FFFFFF_t_70 4]  
注意这几个结构都是Backbone网络，最后只需要在输出特征图上接卷积层映射结果即可。比如在目标检测任务中，用官方的源码(使用Pytorch)来表示一下最后三层，其中hm为heatmap、wh为对应中心点的width和height、reg为偏置量：

(hm): Sequential(
    (0): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (1): ReLU(inplace)
    (2): Conv2d(64, 80, kernel_size=(1, 1), stride=(1, 1))
    )
    (wh): Sequential(
    (0): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (1): ReLU(inplace)
    (2): Conv2d(64, 2, kernel_size=(1, 1), stride=(1, 1))
    )
    (reg): Sequential(
    (0): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (1): ReLU(inplace)
    (2): Conv2d(64, 2, kernel_size=(1, 1), stride=(1, 1))
    )

## 前置内容 ##

令 I ∈ R H × W × 3 I\\in R^\{H\\times W\\times 3\} I∈RH×W×3为输入图像，宽为 W W W，高为 H H H。我们的目标是生成关键点热力图 Y ^ ∈ \[ 0 ， 1 \] W R × H R × C \\hat\{Y\}\\in \[0，1\]^\{\\frac\{W\}\{R\} \\times \\frac\{H\}\{R\}\\times C\} Y^∈\[0，1\]RW×RH×C，其中 R R R是输出步长（即尺度缩放比例）， C C C是关键点参数（即输出特征通道数）；关键点类型有 C = 17 C=17 C=17的人体关键点，用于姿态估计。 C = 80 C=80 C=80的目标类别，用于目标检测。我们默认 R = 4 R=4 R=4； Y ^ x , y , c = 1 \\hat\{Y\}\_\{x,y,c\}=1 Y^x,y,c=1表示检测到的关键点，而 Y ^ x , y , c = 0 \\hat\{Y\}\_\{x,y,c\}=0 Y^x,y,c=0表示背景。我们采用了几个不同的全卷积编码-解码网络来预测图像 I I I得到的 Y ^ \\hat\{Y\} Y^。我们在训练关键点预测网络时参考了CornerNet，对于ground truth的关键点 c c c，其位置为 p ∈ R 2 p\\in R^2 p∈R2，计算得到低分辨率（经过下采样）上对应的关键点为：  
![在这里插入图片描述][2020012720454067.png]  
我们将GT坐标通过高斯核  
![在这里插入图片描述][20200127205138853.png]  
分散到热力图 Y ∈ \[ 0 ， 1 \] W R × H R × C Y\\in \[0，1\]^\{\\frac\{W\}\{R\} \\times \\frac\{H\}\{R\}\\times C\} Y∈\[0，1\]RW×RH×C上，其中 σ p \\sigma\_p σp是目标尺度-自适应的标准方差。如果某一个类的两个高斯分布发生了重叠，直接取元素间最大的就可以。训练目标函数如下，像素级逻辑回归的Focal Loss：

![在这里插入图片描述][20200127205816917.png]  
其中 α \\alpha α和 β \\beta β是Focal Loss的超参数，实验中分别设为2和4， N N N是图像 I I I中的关键点个数，除以 N N N主要为了将所有Focal Loss归一化。

由于图像下采样的时候，GT的关键点会因数据是离散的而产生偏差，我们对每个中心点附加预测了个局部偏移 O ^ ∈ R W R × H R × 2 \\hat\{O\}\\in R^\{\\frac\{W\}\{R\}\\times \\frac\{H\}\{R\}\\times 2\} O^∈RRW×RH×2，所有类别共享一个偏移预测，这个偏移用L1损失来训练。

![在这里插入图片描述][20200127210528590.png]

## 关键点估计用于目标检测 ##

令 ( x 1 ( k ) ， y 1 ( k ) ， x 2 ( k ) ， y 2 ( k ) ) (x\_1^\{(k)\}，y\_1^\{(k)\}，x\_2^\{(k)\}，y\_2^\{(k)\}) (x1(k)，y1(k)，x2(k)，y2(k))是目标 k k k(其类别为 c k c\_k ck)的bbox，其中心位置为 p k = ( x 1 ( k ) + x 2 ( k ) 2 , y 1 ( k ) + y 2 ( k ) 2 ) p\_k=(\\frac\{x\_1^\{(k)\}+x\_2^\{(k)\}\}\{2\},\\frac\{y\_1^\{(k)\}+y\_2^\{(k)\}\}\{2\}) pk=(2x1(k)\+x2(k),2y1(k)\+y2(k))，我们使用关键点估计 Y ^ \\hat\{Y\} Y^来得到所有的中心点。此外，为每个目标 k k k回归出目标的尺寸 s k = ( x 2 ( k ) − x 1 ( k ) , y 2 ( k ) − y 1 ( k ) ) s\_k=(x\_2^\{(k)\}-x\_1^\{(k)\},y\_2^\{(k)\}-y\_1^\{(k)\}) sk=(x2(k)−x1(k),y2(k)−y1(k))。为了减少j计算负担，我们为每个目标种类使用单一的尺度预测 S ^ ∈ R W R × H R × 2 \\hat\{S\}\\in R^\{\\frac\{W\}\{R\}\\times \\frac\{H\}\{R\}\\times 2\} S^∈RRW×RH×2，我们在中心点添加了L1损失。

![在这里插入图片描述][20200127211156802.png]

我们不进行尺度归一化，直接使用原始的像素坐标来优化损失函数，为了调节该Loss的影响，将其乘了个系数，整个训练的损失函数为：

![在这里插入图片描述][20200127211456663.png]

实验中，取 λ s i z e = 1 \\lambda\_\{size\}=1 λsize=1， λ o f f = 1 \\lambda\_\{off\}=1 λoff=1，整个网络会在每个位置输出 C + 4 C+4 C\+4个值(即关键点类别 C C C, 偏移量的 x , y x,y x,y，尺寸的 w , h w,h w,h)，所有输出共享一个全卷积的Backbone。

## 从点到边界框 ##

在推理的时候，我们分别提取热力图上每个类别的峰值点。如何得到这些峰值点呢？做法是将热力图上的所有响应点与其连接的 8 8 8个临近点进行比较，如果该点响应值大于或等于其 8 8 8个临近点值则保留，最后我们保留所有满足之前要求的前 100 100 100个峰值点。令 P c ^ \\hat\{P\_c\} Pc^是检测到的 c c c类别的 n n n个中心点的集合，每个关键点以整型坐标 ( x i , y i ) (x\_i,y\_i) (xi,yi)的形式给出。 Y x i y i c ^ \\hat\{Y\_\{x\_iy\_ic\}\} Yxiyic^作为预测的得到的置信度，产生如下的bbox：

![在这里插入图片描述][20200127212020710.png]其中 ( δ x i ^ , δ y i ^ ) = O x i ^ , y i ^ ^ (\\delta \\hat\{x\_i\},\\delta \\hat\{y\_i\})=\\hat\{O\_\{\\hat\{x\_i\},\\hat\{y\_i\}\}\} (δxi^,δyi^)=Oxi^,yi^^是偏移预测结果， ( w i ^ , h i ^ ) = S x i ^ , y i ^ ^ (\\hat\{w\_i\},\\hat\{h\_i\})=\\hat\{S\_\{\\hat\{x\_i\},\\hat\{y\_i\}\}\} (wi^,hi^)=Sxi^,yi^^是尺度预测结果，所有的输出都直接从关键点估计得到，无需基于IOU的NMS或者其他后处理。

## 3D目标检测 ##

3D目标检测是对每个目标进行3D bbox估计，每个中心点都需要三个附加信息：depth，3D dimension， orientation。我们为每个信息分别添加head。对于每个中心点，深度值depth是一个维度的。然后depth很难直接回归，因此论文参考【D. Eigen, C. Puhrsch, and R. Fergus. Depth map prediction from a single image using a multi-scale deep network. In NIPS, 2014.】对输出做了变换,即 d = 1 σ ( d ^ ) − 1 d=\\frac\{1\}\{\\sigma(\\hat\{d\})\}-1 d=σ(d^)1−1，其中 σ \\sigma σ是sigmoid函数，在特征点估计网络上添加了一个深度计算通道 D ^ ∈ \[ 0 , 1 \] W R × H R \\hat\{D\}\\in \[0,1\]^\{\\frac\{W\}\{R\}\\times \\frac\{H\}\{R\}\} D^∈\[0,1\]RW×RH，该通道使用了由ReLU分开的两个卷积层，我们用L1损失来训练深度估计器。

目标检测的3D维度是3个标量值，我们直接回归出它们（长宽高）的绝对值，单位为米，用的是一个独立的head和L1损失：  
![在这里插入图片描述][20200127213237956.png]

目标方向默认是单标量的值，然而这也很难回归。论文参考【A. Mousavian, D. Anguelov, J. Flynn, and J. Kosecka.  
3d bounding box estimation using deep learning and geometry. In CVPR, 2017.】用两个bins来呈现方向，并在bins中做回归。特别地，方向用 8 8 8个标量值来编码的形式，每个bin有4个值。对于一个bin,两个值用作softmax分类，其余两个值回归在每个bin中的角度。

## 姿态估计 ##

人体姿态估计旨在估计图像中每个人的 k k k个2D关键点位置（如在COCO上， k k k为 17 17 17，即每个人有 17 17 17个关键点）。因此，中心点回归分支的维度是 k × 2 k\\times 2 k×2的，然后我们直接回归出关节点的偏移（像素单位） J ^ ∈ R W R × H R × k × 2 \\hat\{J\}\\in R^\{\\frac\{W\}\{R\} \\times \\frac\{H\}\{R\} \\times k\\times 2\} J^∈RRW×RH×k×2，用到了L1 loss；我们通过给Loss添加Mask方式来无视那些不可见的关键点（关节点）。此处参照了Slow-RCNN。为了精细化关键点，我们进一步估计 k k k个人体关键点热力图 Φ ^ ∈ R W R H R × k \\hat\{\\Phi\}\\in R^\{\\frac\{W\}\{R\}\\frac\{H\}\{R\}\\times k\} Φ^∈RRWRH×k，使用的是标准的bottom-up 多人体姿态估计，我们训练人的关节点热力图时使用Focal Loss和像素偏移量，这块的思路和中心点的训练类似。我们找到热力图上训练得到的最近的初始预测值，然后将中心偏移作为一个分组的线索，来为每个关键点（关节点）分配其最近的人。具体来说，令 ( x ^ . y ^ ) (\\hat\{x\}.\\hat\{y\}) (x^.y^)表示检测到的中心点，第一次回归得到的关节点为：

![在这里插入图片描述][20200127220453594.png]  
我们提取到的所有的关键点为（关节点，此处是类似中心点检测用热力图回归得到的，对于热力图上值小于0.1的直接略去）：

![在这里插入图片描述][20200127220659813.png]  
然后将每个回归（第一次回归，通过偏移方式）位置  l j l\_j lj与最近的检测关键点（关节点）进行分配：

![在这里插入图片描述][2020012722084354.png]  
注意，只对检测到的目标框中的关节点进行关联。

# 实现细节 #

论文实验了4个结构：ResNet-18, ResNet-101, DLA-34， Hourglass-104。并且使用用deformable卷积层来更改ResNets和DLA-34，按照原样使用Hourglass 网络。得到的结果如下：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p1c3Rfc29ydA_size_16_color_FFFFFF_t_70 5]

*  **Hourglass** 堆叠的Hourglass网络通过两个连续的hourglass模块对输入进行了4倍的下采样，每个hourglass 模块是个对称的5层 下和上卷积网络，且带有skip连接。该网络较大，但通常会生成最好的关键点估计。
 *  **ResNet-18** Xiao et al. \[55\]等人对标准的ResNet做了3个up-convolutional来获得更高的分辨率输出（最终stride为4）。为了节省计算量，论文改变这3个up-convolutional的输出通道数分别为256,128,64。up-convolutional核初始为双线性插值。
 *  **DLA** 即Deep Layer Aggregation (DLA)，是带多级跳跃连接的图像分类网络，论文采用全卷积上采样版的DLA，用deformable卷积来跳跃连接低层和输出层；将原来上采样层的卷积都替换成3x3的deformable卷积。在每个输出head前加了一个 3 × 3 × 256 3\\times 3\\times 256 3×3×256的卷积，然后做1x1卷积得到期望输出。
 *  **训练** 训练输入图像尺寸：512x512; 输出分辨率：128x128 (即4倍stride)；采用的数据增强方式：随机flip, 随机scaling (比例在0.6到1.3)，裁剪，颜色jittering；采用Adam优化器；在3D估计分支任务中未采用数据增强（scaling和crop会影响尺寸）；其它细节见原文。

# 实验结果 #

可以看到CenterNet的精度吊打了YOLOv3，并且**完全的Anchor-Free**使得我们看到了目标检测更好的思路，这篇论文我觉得应该是2019年目标检测领域最有价值的论文之一了。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p1c3Rfc29ydA_size_16_color_FFFFFF_t_70 6]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p1c3Rfc29ydA_size_16_color_FFFFFF_t_70 7]

贴一个预测可视化效果图看看。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p1c3Rfc29ydA_size_16_color_FFFFFF_t_70 8]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p1c3Rfc29ydA_size_16_color_FFFFFF_t_70 9]

# 结论 #

这篇论文可以让我们理解什么是真正的Anchor-Free，并且另外一个重要点的是这种方法将检测，姿态估计，甚至分割都可以统一起来，做法十分优雅。不过CenterNet仍有缺点，例如在图像中，同一个类别中的某些物体的GT中心点，在下采样时会挤到一块，也就是两个物体在GT中的中心点重叠了，CenterNet对于这种情况也是无能为力的，可能结果就是只能检测一个目标了，不过这种密集检测的问题本就是这个领域仍未解决的难题，只能期待大牛后续工作了。对我们工程派来说，没有NMS后处理以及这种统一多个任务的思想实在是一剂强心针，这个方向的学术研究和工程部署应该会逐渐成熟的。

# 附录 #

*  论文原文：https://arxiv.org/pdf/1904.07850.pdf
 *  代码：https://github.com/xingyizhou/CenterNet
 *  参考：https://blog.csdn.net/c20081052/article/details/89358658

# 同期文章 #

*  [目标检测算法之Anchor Free的起源：CVPR 2015 DenseBox][Anchor Free_CVPR 2015 DenseBox]
 *  [【目标检测Anchor-Free】ECCV 2018 CornerNet][Anchor-Free_ECCV 2018 CornerNet]
 *  [【目标检测Anchor-Free】CVPR 2019 ExtremeNet（相比CornerNet涨点5.3%）][Anchor-Free_CVPR 2019 ExtremeNet_CornerNet_5.3]
 *  [【目标检测Anchor-Free】CVPR 2019 CenterNet][Anchor-Free_CVPR 2019 CenterNet]

--------------------

欢迎关注GiantPandaCV, 在这里你将看到独家的深度学习分享，坚持原创，每天分享我们学习到的新鲜知识。( • ̀ω•́ )✧

有对文章相关的问题，或者想要加入交流群，欢迎添加BBuf微信：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p1c3Rfc29ydA_size_16_color_FFFFFF_t_70 10]

[Anchor-Free_CVPR 2019 CenterNet]: https://mp.weixin.qq.com/s/iFk1hC8xrSnab8fzWDSerQ
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p1c3Rfc29ydA_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20200127201446148.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p1c3Rfc29ydA==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p1c3Rfc29ydA_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/20200127201039812.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p1c3Rfc29ydA==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p1c3Rfc29ydA_size_16_color_FFFFFF_t_70 2]: https://img-blog.csdnimg.cn/20200127201255359.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p1c3Rfc29ydA==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p1c3Rfc29ydA_size_16_color_FFFFFF_t_70 3]: https://img-blog.csdnimg.cn/20200127201407623.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p1c3Rfc29ydA==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p1c3Rfc29ydA_size_16_color_FFFFFF_t_70 4]: https://img-blog.csdnimg.cn/20200127185740127.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p1c3Rfc29ydA==,size_16,color_FFFFFF,t_70
[2020012720454067.png]: https://img-blog.csdnimg.cn/2020012720454067.png
[20200127205138853.png]: https://img-blog.csdnimg.cn/20200127205138853.png
[20200127205816917.png]: https://img-blog.csdnimg.cn/20200127205816917.png
[20200127210528590.png]: https://img-blog.csdnimg.cn/20200127210528590.png
[20200127211156802.png]: https://img-blog.csdnimg.cn/20200127211156802.png
[20200127211456663.png]: https://img-blog.csdnimg.cn/20200127211456663.png
[20200127212020710.png]: https://img-blog.csdnimg.cn/20200127212020710.png
[20200127213237956.png]: https://img-blog.csdnimg.cn/20200127213237956.png
[20200127220453594.png]: https://img-blog.csdnimg.cn/20200127220453594.png
[20200127220659813.png]: https://img-blog.csdnimg.cn/20200127220659813.png
[2020012722084354.png]: https://img-blog.csdnimg.cn/2020012722084354.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p1c3Rfc29ydA_size_16_color_FFFFFF_t_70 5]: https://img-blog.csdnimg.cn/20200127221001602.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p1c3Rfc29ydA==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p1c3Rfc29ydA_size_16_color_FFFFFF_t_70 6]: https://img-blog.csdnimg.cn/20200127221421438.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p1c3Rfc29ydA==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p1c3Rfc29ydA_size_16_color_FFFFFF_t_70 7]: https://img-blog.csdnimg.cn/20200127221703793.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p1c3Rfc29ydA==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p1c3Rfc29ydA_size_16_color_FFFFFF_t_70 8]: https://img-blog.csdnimg.cn/2020012722174066.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p1c3Rfc29ydA==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p1c3Rfc29ydA_size_16_color_FFFFFF_t_70 9]: https://img-blog.csdnimg.cn/20200127221751872.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p1c3Rfc29ydA==,size_16,color_FFFFFF,t_70
[Anchor Free_CVPR 2015 DenseBox]: https://mp.weixin.qq.com/s/gYq7IFDiWrLDjP6219U6xA
[Anchor-Free_ECCV 2018 CornerNet]: https://mp.weixin.qq.com/s/cKOna7GfTwl1X1sgYNXcEg
[Anchor-Free_CVPR 2019 ExtremeNet_CornerNet_5.3]: https://mp.weixin.qq.com/s/Sj0zgcFFt_W9yZy37oENUw
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p1c3Rfc29ydA_size_16_color_FFFFFF_t_70 10]: https://img-blog.csdnimg.cn/20200110234905879.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2p1c3Rfc29ydA==,size_16,color_FFFFFF,t_70