one-stage-anchor-free CenterNet：Objects as Points

paper：https://arxiv.org/pdf/1904.07850.pdf

官方代码：https://github.com/xingyizhou/CenterNet

我的代码：https://github.com/panchengl/centernet_prune   

首先提一下我的代码复现（torch），官方代码支持包括2d目标检测、3d检测、姿态估计任务，我移除了其他的任务，并简单的重构了代码，使得代码更加易读，然后基于我改后的代码完成了模型压缩（剪枝方案），并添加使用了VOC的测试方法（ap50），然后在自己的数据集（复杂场景上）上完成了测试，模型压缩力度还是比较大，而且精度损失很小，有兴趣的同学可以基于我的代码进行二次开发。

总体印象:

    我认为结构最优雅的anchor-free算法，没有太多的tricks，效果却很惊艳，可能也是由于模型的原理特点，在误检方面控制得很好，速度跑起来飞快，而且在结构上扩展性好，各种backbone、deformconv、其实都可以随便加，主要精髓就在于特征提取+points回归，并且可以应用到其他任务，相当优秀了，就是落地有点麻烦（至芯片端），后处理不太好做，只能将后处理重写，将其封装在onnx里面，据我所知，有芯片厂商是已经支持该算法的了。

文章解决的问题：

    1、cornernet、extremenet检测关键点，但是需要一个grouping的阶段，降低速度，且会导致一个匹配错误等类型的误检

    作者依次提出了直接检测每个目标的中心点来处理，避免grouping，端到端，速度快，不需要nms（但是作者源码是使用了nms的（可选），多尺度检测的时候必须要使用）。

文章思路（侧重于2d检测的分析）：

    构建模型时，使用backbone来获取目标的热力图，找到目标的中心点（关键点），热力图峰值点即为关键点，并根据中心点，回归出中心点到边界的距离（宽高信息），连fpn的多级预测都没有使用，2d回归的是中心点到两个边界的距离，3dbbox检测回归bbox尺寸和深度信息、朝向，人体姿态估计回归中心点到关节点的偏移量。

方法创新点：

    1、关键点-中心点可以看成是一个形状未知的anchor，但没有尺寸框，没有手动设置的阈值做分类，如下图所示。

    2、每个目标仅有一个正的中心点，不会用到nms，直接提取关键点特征图的局部峰值点，且训练样本可以认为positive examples多。

    3、使用更大的分辨率输出特征图，但总体而言只下采样了4倍，无需用到多级预测关键点

                                        

 

文章思路-Preliminary-如何预测关键点：

    令为输入图像，