[论文解读] CircleNet: Anchor-free Detection with Circle Representation

Haichun Yang, Ruining Deng+8 more|arXiv (Cornell University)|Jun 3, 2020

Advanced Neural Network Applications参考文献 27被引用 8

一句话总结

CircleNet 提出了一种用于生物医学成像的无锚点目标检测方法，采用圆形表示法检测球形的肾小球，减少了自由度并提高了旋转一致性。通过用圆形替代传统边界框，并引入圆形交并比（cIOU）度量，CircleNet 将平均精度从 0.598 提升至 0.647，相较于基于框的方法展现出更优的旋转一致性。

ABSTRACT

Object detection networks are powerful in computer vision, but not necessarily optimized for biomedical object detection. In this work, we propose CircleNet, a simple anchor-free detection method with circle representation for detection of the ball-shaped glomerulus. Different from the traditional bounding box based detection method, the bounding circle (1) reduces the degrees of freedom of detection representation, (2) is naturally rotation invariant, (3) and optimized for ball-shaped objects. The key innovation to enable this representation is the anchor-free framework with the circle detection head. We evaluate CircleNet in the context of detection of glomerulus. CircleNet increases average precision of the glomerulus detection from 0.598 to 0.647. Another key advantage is that CircleNet achieves better rotation consistency compared with bounding box representations.

研究动机与目标

• 为解决基于锚点和基于框表示的方法在检测球形生物医学对象（如肾小球）时的局限性。
• 提升肾病理图像中肾小球检测的性能与旋转一致性。
• 提出一种圆形表示法，将自由度从 2（宽/高）减少至 1（半径），更适用于球形结构。
• 验证一种新的 cIOU 度量在基于圆形的 IoU 计算中的有效性。
• 证明圆形表示不会牺牲检测效果，如掩码检测率对比结果所示。

提出的方法

• CircleNet 使用基于 CenterNet 的无锚点主干网络，通过中心点定位（CPL）网络利用热力图预测目标中心。
• 网络包含三个分支：一个用于中心点热力图，两个用于预测边界圆的半径。
• 中心点热力图通过结合 2D 高斯核的焦点损失进行优化，以实现真实标签的监督。
• 提出一种新的圆形交并比（cIOU）度量，用于评估预测圆与真实圆之间的重叠程度，类似于标准 IoU。
• 该方法使用下采样因子为 R 的特征图，最终通过在热力图中选取峰值并回归半径来解码预测结果。
• 通过将测试图像旋转 90°，并测量旋转前后预测结果之间的重叠（IoU > 0.5）来评估旋转一致性。

实验结果

研究问题

• RQ1 圆形表示能否减少自由度并提升对球形生物医学对象（如肾小球）的检测性能？
• RQ2 所提出的圆形表示相较于传统边界框是否保持或提升检测有效性？
• RQ3 cIOU 度量在评估基于圆形的检测性能时，与标准 IoU 的表现如何比较？
• RQ4 在肾小球检测中，圆形表示是否比基于框的表示具有更好的旋转一致性？
• RQ5 CircleNet 的无锚点设计在肾病理学生物医学目标检测中是否有效且高效？

主要发现

• CircleNet 将肾小球检测的平均精度（AP）从 0.598 提升至 0.647，证明了检测性能的提升。
• 所提出的圆形表示保持了检测有效性，圆形的平均掩码检测率（MDT）为 0.62，而边界框为 0.63，表明表示质量无显著损失。
• cIOU 度量在位移范围（0–100 像素）内与标准 IoU 表现相似，验证了其作为基于圆形检测重叠度量的可靠性。
• CircleNet 实现了更优的旋转一致性，使用 DLA 主干网络时旋转一致性比率为 0.886，优于基于框的方法（0.851）和 Hourglass 主干网络（0.875）。
• 圆形表示将自由度从 2（宽/高）减少至 1（半径），实现了更紧凑且旋转不变的表示。
• 该方法对旋转更具鲁棒性，因为半径本身具有固有的空间不变性，而框的尺寸对方向变化敏感。