anchor free系列檢測方法

one stage和two stage是目標檢測的主流方法，最近由deng老闆引領的anchor free方法另闢蹊徑，以關鍵點檢測爲基礎來做檢測，也算是one stage的一種吧

CornerNet

]預測圖片上所有物體的左上角、右下角，然後後處理時再組合在一起。第一篇用關鍵點做檢測，無需設置anchor的文章，但是還是有很多問題的

1. 左上角、右下角語義信息比較弱，很難檢測到，因此文章引入Cornerpool來改善這個問題
2. 由於是bottom-up結構，還需要後處理組合在一起
   
   

ExtremeNet

改進Cornernet，本質上Cornernet還是top down結構，因爲左上角和右下角其實算是bbox的另一種形式，它不是直接和物體的語義特徵相關的，局部的外觀特徵不一致，一個人姿勢不同左上角完全不一樣。雖然引入了Corner pooling也只是部分緩解；cornetnet的後處理需要把左上角和右下角正確的組合起來，它利用的是geometric grouping，學習一個embeding，然後組合起來。
而Extremenet的不同點是檢測邊緣點，最左邊最右邊最上邊最下邊的極值點，這些點是有明確的語義特徵，而且局部外觀特徵是一致的，容易被檢測到；後處理進行組合時不需要隱式地去學習embeding，而是直接根據外觀特徵進行組合。


問題

1. 速度慢，需要檢測的點更多了（每類都要上下左右中）
2. 需要標註extreme point，不過可以通過coco的segmentation得到，或者重新找人標註，文章說比標註bbox更便宜
3. 比Cornernet沒有明顯提升

CenterNet(Objects as Points)

超喜歡的一篇工作，算是top-down，不需要nms等後處理。
沒有anchor的設置（和yolov1一樣），檢測物體的中心點，然後從中心點出發回歸wh，或者做其他應用3d檢測等

• 利用關鍵點檢測網絡，預測一個heatmap，每個點代表一個物體，可能出現兩個物體的中心點落在同一個heatmap的格子裏，不過作者計算髮現這種情況太少了
• 由於heatmap是原圖的1/S，出現了量化誤差。所以還需要一個加個regress網絡需要中心點的偏移
• 但是中心點有時候不在物體上面，還是存在語義問題，根據作者提供的消融實驗，換成gt的中心點，精度大幅提升

---

• ExtremeNet（One-stage檢測算法，CornerNet進階版）論文閱讀筆記 - 張凱的文章 - 知乎
• 如何評價最新的兩篇基於point的目標檢測模型CenterNet?