@Congc_fdd6 谢谢，4倍下采样后，特征图的HW也有128*128，物体在特征图的大小假设是h=50,w=20，我还是觉得能feanture map能直接输出这么大的数字很不可思议
CenterNet：Objects as Points整体信息： 这篇文章题目言简意赅，就非常吸引人眼球。不同于CornerNet预测一对角点得到bbox，以及基于CornerNet改进的CenterNet预测三个点得到bbo...
发简信
IP属地：广东
-
-
“而目标的长和宽是经过对应当前中心点的w和h回归得到的。”
你的意思是预测顺序是 原图->热力点->中心点->w，h？ 但是最后output通道里同时包含heatmap和w，h的呀，通道size也一致，说明heatmap中任何一个坐标都有其对应的w，h值，并不是回归中心点得到的，中心点的坐标并没有先验性地参与w，h的计算，它们是同时得到的。 还有，w，h真的可以直接在输出特征图里显示地表达吗？w，h一般是几十几百大数字，而神经网络的输出一般是小数字，跟我意识里的神经网络相差很大。在VOC数据集中有没有分别统计大中小目标的准确率呢？CenterNet：Objects as Points
整体信息： 这篇文章题目言简意赅，就非常吸引人眼球。不同于CornerNet预测一对角点得到bbox，以及基于CornerNet改进的CenterNet预测三个点得到bbo...
-
网络的实际输出是热力图上的每个类别的峰值，这与PoseNet以及其他所有的姿态检测网络类似，但当我们知道了这些峰值之后，如何回归出需要的box呢？
做法是将热力图上的所有响应点与其连接的8个临近点进行比较，如果该点响应值大于或等于其八个临近点值则保留，最后我们保留所有满足之前要求的前100个峰值点。
（这里还是没说清楚怎么从100个峰值点回归出宽高的啊）CenterNet网络精读与分析
近期CVPR2019的最新论文CenterNet在一篇文章中就提出了一个能够解决目标检测、姿态检测、3D单目检测的掉炸天网络，一时间激起来了千层波浪。这几乎是未来目标检测一个...
-
