這篇也是2019的一篇anchor-free系列的one-stage目標檢測論文。碰巧的是和另一篇center net重名，而剛好那篇論文比較出名，所以這篇論文屬實比較慘，但是其實這篇論文的思想還是很簡介易懂，非常值得學習。
這篇論文可以說是CornerNet的改進，關於CornerNet，可以參考我之前寫的這篇解讀：https://blog.csdn.net/weixin_44629973/article/details/105188429
背景
在我看來，這篇論文其實就是將CornerNet檢測兩個角點變爲檢測兩個角點和一箇中心點，這是因爲算法對目標框較敏感，其embedding其實並不能很好的將屬於一組的角點連接在一起。
因此論文作者的想法是：將檢測兩個角點變成檢測兩個角點+一箇中心點，如果中心點在角點組成的bbox中才認爲檢測正確，中心點的檢測和檢測角點的值均有一定的創新。
流程
前面的backbone部分和cornernet完全相同，不再闡述。作者提出了cascade corner pooling替代原有的corner pooling，針對檢測中心點提出了corner pooling。
cascade corner pooling
原有的corner pooling是在兩個方向取最大值最後相加，這樣導致角點對邊緣特別敏感，而對於物體內部信息缺乏理解，所以導致後面的embedding做的並不出彩，爲了改善這一情況，cascade corner pooling先沿着邊界找到最大值，然後再向內尋找最大值，將內部最大值相加賦給原來的角點，這樣角點既有外部感知也有內部感知。
center pooling
如何找到center點？
找出目標兩個方向像素值最大的點即爲center
如何判斷center在bbox中？
首先確定這裏的bbox和平常的bbox不太一樣，因爲bbox的大小影響center的檢測問題。For example, smaller central regions lead to a low recall rate for small bounding boxes,while larger central regions lead to a low precision for large bounding boxes。因此設計出了不同尺度的bbox
對於邊框長*寬＞22500使用n=3，＞22500使用N=5
實驗結果
