anchor free系列检测方法

one stage和two stage是目标检测的主流方法，最近由deng老板引领的anchor free方法另辟蹊径，以关键点检测为基础来做检测，也算是one stage的一种吧

CornerNet

]预测图片上所有物体的左上角、右下角，然后后处理时再组合在一起。第一篇用关键点做检测，无需设置anchor的文章，但是还是有很多问题的

1. 左上角、右下角语义信息比较弱，很难检测到，因此文章引入Cornerpool来改善这个问题
2. 由于是bottom-up结构，还需要后处理组合在一起
   
   

ExtremeNet

改进Cornernet，本质上Cornernet还是top down结构，因为左上角和右下角其实算是bbox的另一种形式，它不是直接和物体的语义特征相关的，局部的外观特征不一致，一个人姿势不同左上角完全不一样。虽然引入了Corner pooling也只是部分缓解；cornetnet的后处理需要把左上角和右下角正确的组合起来，它利用的是geometric grouping，学习一个embeding，然后组合起来。
而Extremenet的不同点是检测边缘点，最左边最右边最上边最下边的极值点，这些点是有明确的语义特征，而且局部外观特征是一致的，容易被检测到；后处理进行组合时不需要隐式地去学习embeding，而是直接根据外观特征进行组合。


问题

1. 速度慢，需要检测的点更多了（每类都要上下左右中）
2. 需要标注extreme point，不过可以通过coco的segmentation得到，或者重新找人标注，文章说比标注bbox更便宜
3. 比Cornernet没有明显提升

CenterNet(Objects as Points)

超喜欢的一篇工作，算是top-down，不需要nms等后处理。
没有anchor的设置（和yolov1一样），检测物体的中心点，然后从中心点出发回归wh，或者做其他应用3d检测等

• 利用关键点检测网络，预测一个heatmap，每个点代表一个物体，可能出现两个物体的中心点落在同一个heatmap的格子里，不过作者计算发现这种情况太少了
• 由于heatmap是原图的1/S，出现了量化误差。所以还需要一个加个regress网络需要中心点的偏移
• 但是中心点有时候不在物体上面，还是存在语义问题，根据作者提供的消融实验，换成gt的中心点，精度大幅提升

---

• ExtremeNet（One-stage检测算法，CornerNet进阶版）论文阅读笔记 - 张凯的文章 - 知乎
• 如何评价最新的两篇基于point的目标检测模型CenterNet?