CSP: Center and Scale Prediction 翻译+解读

本文采用无锚点策略实施行人检测，在两个不同数据集上均实现了当前最优的实验结果。同时，作者还将该方法拓展至人脸检测任务中，同样获得了理想的效果，从而验证了该方法具备出色的泛化能力。我在后续文章中对本论文所使用的标签进行了详细阐述，这有助于更好地理解该论文中关于Loss center的设计理念。

论文标题: High-level Semantic Feature Detection: A New Perspective for Pedestrian Detection

论文链接: https://arxiv.org/abs/1904.02948

代码链接: https://github.com/liuwei16/CSP

如存在理解偏差之处，欢迎提出意见。

翻译:

摘要: 对象检测通常依赖于传统滑动窗口分类器或现代深度学习方法中的基于锚点的预测机制。然而，这些方法在应用过程中往往需要对锚点进行繁琐的配置。在本文中，我们引入了一种全新的视角，即将目标检测任务视为一种高级语义特征的提取过程。与边缘、角点、斑点等传统特征检测器相似，所提出的检测器通过扫描图像中的各个特征点来完成目标识别（由于卷积操作非常适合执行此类任务，因此该检测器本质上仅包含两个卷积通道）。但与这些低级特征不同的是，我们所设计的检测器用于实现更高级别的抽象——即定位对象存在的中心位置，并且当前深度模型已具