既然昨天介紹了 CornerNet，今天接續介紹相關的 CornerNet-Lite，
CornerNet-Lite: Efficient Keypoint Based Object Detection

這篇算是CornerNet升級版。
因此作者基於兩個方向對CornerNet進行了優化。

先講貢獻，作者提出兩個變形CornerNet：

1. CornerNet-Saccade：提高了6倍檢測效率，在COCO 提升了1%AP
2. CornerNet-Squeeze：在準確率、速度上均超越了YOLOv3。

CornerNet-Saccade

Saccade 中文意思是“掃視”，在這裡的意思是，選擇性地（crop）ROI區域來進行detect，
減少需要處理的像素來提高inference的效率。

首先是要找出一張圖片中可能存在物體的位置，
利用縮小後的圖來產生 attention map，這裡從hourglass網路不同尺寸的upsampling中，產生三個 attention map，分別用於小目標，中目標，和大目標。
如果一個目標物的較長邊的像素小於32，則被視為小目標，32到96的視為中等目標，大於96的是大目標。

這樣區分的好處是如果你想要特別detect小物體，可以調高小目標attention map的權重
訓練時，GT的BBox中心設置為positive,其餘為negative。

另外，縮小的圖也能產生一些BBox位置，但可能不是很準確，但是也能用來估計物體可能位置。
然後排序這些可能的location，選擇top k個位置來crop原圖，作為proposal進行detect。
通過調整k，來進行準確率及效率上的平衡。
detection 方法和原來 CornerNet類似。
在可能的位置處檢測到目標物後，基於soft-NMS處理對於的檢測結果。

CornerNet-Squeeze

CornerNet-Squeeze 在達到實時的情況下，儘可能提高精度

在CornerNet中，大部分計算資源都花在了Hourglass-104上，
所以本文借鑑了SqueezeNet及MobileNet的思想來設計一個輕量級的Hourglass結構。

受SqueezeNet啟發，CornerNet-Squeeze將 residual block 替換為SqueezeNet中的 Fire module
受MobileNet啟發，CornerNet-Squeeze將第二層的3x3標準卷積替換為 3x3 深度可分離卷積（depth-wise separable convolution）

Result

在COCO數據集上進行測試。測試環境為：1080ti GPU + Intel Core i7-7700k CPU。
在相同的inference time下，
CornerNet-Saccade實現了比RetinaNet（39.8％，190ms）和CornerNet（40.6％，213ms）好的準確性和效率權衡（在190ms為42.6％）。

CornerNet-Squeeze 無論在mAP或FPS超過YOLOv3的表現。