ECCV2020：Corner Proposal Network for Anchor-free, Two-stage Object Detection

作者思路理解

anchor free可以检测那些奇怪形状物体（anchor based可能检测不出来）
但是它带来的问题是大量误检，所以使用二阶段提高精度减少误检。

二阶段的anchor free目标检测网络

第一阶段通过角点提取出感兴趣区域，第二阶段对感兴趣区域进行预测和回归

虽然用的是corner net的关键点提取方法，但是他并不是用提取出来的左上角和右下角特征与gt进行iou对比，来判断他是否属于同一个框。而是使用将所有有效的角点组合作为潜在对象，并且借用二阶段的思想，即训练一个分类器，根据对应的区域特征来区分真实物体和错误匹配的关键点。

在第二阶段里面有两个分类器

二元分类器，过滤掉不符合目标的proposal。（判断是否为物体）
多元分类器，对仍存在的多个类别的目标分数进行排序。（classes）

找检测方法过程

FCOS也存在类似的现象，FCOS是一种anchor-free方法，它通过关键点和到边界的距离来表示对象。当边界远离中心时，很难预测准确的距离。
but，实验发现，cornerNet和centerNet就没有这个问题，因为它是将关键点分组到一个对象中，解决了角点对距离的问题。

CPN 网络框架