這篇論文中了CVPR 2019。作者的想法非常具有創新性，center net不僅僅可以用於目標檢測，它具有很強的魯棒性，可以遷移到姿態識別、3D檢測等其他視覺任務中。相信讀到這裏的讀者已經對之前的目標檢測算法有了一定的瞭解，所以本文不再對比之前的做法，直接解釋center net的做法，最後進行總結
BackBone
CenterNet想要提取輸入圖像的特徵，以heatmap的形式來檢測目標。論文中給出了三種BackBone：ResNet-18、DLA-34、Hourglass-104，檢測速度依次下降，檢測精度依次上升。經過BackBone的提取，輸出heatmap。輸入的heatmap相比於初始圖像，尺寸只減小了4倍，最後的offset微調也會方便很多。
detect points
我們這一步的目標是預測center，對於真實的標籤來說，我們使用
對一個bbox進行說明，對於bbox的center，我們認爲是
這樣就找到了真實的圖像中的center，然後再圖像中使用二階高斯分佈，center爲中心點，概率值爲1，如果有多個目標在某個點的概率值重疊，選取較大的值作爲概率值，對於預測corner，我們得到了經BackBone提取的熱力圖，這一步我們將heatmap中的峯值像素點找出，具體的方法是判斷是否一個點大於或者等於他周圍的八個點，就找到了預測center，可以帶入高斯公式得到概率值。接下來便是計算損失函數
這一步的損失函數可以用focal loss表示爲（論文中α=2，β=4屬於超參數）：
N爲峯值點數量，當GT爲1時，如果預測準確，則該點的損失函數爲0，若預測值
不爲1時，隨着
)的減小，損失也越大。
在經過4倍下采樣後，關鍵點的位置信息會丟失一部分，爲了彌補這部分誤差，使用L1loss彌補偏差位置，以便於更好的得到關鍵點。
希望經過訓練後得到一個對於所有class，值共享的O(offset)
how center be bbox
我們可以預測到center，那麼如何得到他的bbox？，
是真實的bbox左上、右下點的座標，爲了得到預測的bbox的尺寸，用L1 loss訓練Lsize
爲預測的尺寸，
Sk爲真實尺寸。
至此，所有的損失函數已經提出
（λsize=0.1,λoff=1）
最後預測的bbox位置，大小是：
每個座標的第一個值是預測到的center,第二個值是offset，第一個值加第二個值就是center，第三個值就是畫出了bbox的大小和位置。
整個網絡最後輸出的是一個C+4的值，C爲類別數，4爲座標
實驗結果
總結
優點：
- 不使用anchor，減少超參數量
- 不使用NMS後端處理，直接輸出Bbox
- 由於沒有了anchor NMS,速度快了許多，精度也提升了許多
- 魯棒性強，不僅僅可以用於普通的目標檢測，在姿態檢測、3D檢測也取得了顯著提升
缺點：
- 當兩個物體過於接近，會將他們檢測爲1個目標