1. Introduction
目前主流的物体检测模型都会引入锚框，这些方法通常会存在以下问题：（1）算法通常需要大量的锚框，这样才能确保GT与某些锚框之间有较大的IoU；（2）锚框的尺寸和宽长比通常需要手动设定；（3）锚框和GT之间没有对齐，对于候选框分类的帮助不大。
为了解决上述问题，学术界提出了一些基于关键点的物体检测算法，如CornerNet等。CornerNet的优势是一种不依赖于锚框的一阶算法，可以达到SOTA，该算法对于边界比较敏感，但是对于物体的全局信息表现较弱。这样会造成产生很多不正确的框（可以参见CornerNet的算法，CornerNet是通过网络学习左上和右下的热度图和embedding，然后找出top-k的corner点，组合 pairs corners，当一个pair的embedding距离小于某个阈值，则认为它们足够接近，可以构成一个bbox，这样的约束相对较弱）。本篇论文就是基于CornerNet的改进版本，叫做CenterNet。
CenterNet又引入了一个关键点(Center Point)，通过三个关键点可以兼顾bbox边缘和内部信息，同时减小特征级别的干扰，提升算法的鲁棒性。这样做的出发点是当一个预测框与GT的IoU较大时，作者认为中心区域的中心关键点也有较大的概率与GT属于同一类别。CenterNet的网络结构如下图所示，具体来说，文章的主要工作可以分成三个部分：
（1）中心区域的生成：根据预测框左上和右下的座标值，每个框按照下述公式可以生成中心区域的座标。根据预测框的面积，式中的n取值为3或5，这样可以达到根据不同物体大小产生自适应中心区域的目的。自适应中心区域可以提升模型对于不同尺寸物体的识别率，因为较小的物体中心区域如果较小，漏检率(1-recall)就会比较大；而较大的物体中心区域还较大的话，误检率(1-precision)也会较大。中心区域的示意图如下图所示。
（2）Center Pooling: 几何学上的中心不一定是真正语义上的中心点，Center Pooling累加水平方向和垂直方向的最大值，让中心关键点信息更加丰富。
（3）Cascade Corner Pooling: CornerNet中提出的Corner Pooling只池化了边界的两个方向，没有考虑图像内部信息，而Cascade Corner Pooling先考虑边界的两个方向，然后从最大值方向往图像内部去找最大值，最后累加这两个最大值。
Center Pooling和Cascade Corner Pooling的实现方式如下图所示（个人觉得原文中图4比图5更好理解）：
Loss函数如下所示:
Loss形式实际上就是把Metric Learning引入了进来，类比ReID的Loss函数，前两项就是ID Loss，第3和4项就是Metric Learning Loss，最后两项是对于Offsets的L1 Loss。
CenterNet可以得到47.0% AP指标，接近二阶算法PANet。推理速度为340 ms/image，推理速度还可以，但是跟YoloV4比起来还差了挺多的（实测V4真的快）。与目前几个主流算法的对比如下：
| MS-COCO(test-dev) | ||||
|---|---|---|---|---|
| Model | Backbone | AP | AP_50 | AP_75 |
| YOLOv4(416) | CSPDarknet-53 | 41.2% | 62.8% | 44.3% |
| YOLOv4(512) | CSPDarknet-53 | 43.0% | 64.9% | 46.5% |
| YOLOv4(608) | CSPDarknet-53 | 43.5% | 65.7% | 47.3% |
| EfficientDet-D0(512) | EfficientNet-B0 | 33.8% | 52.2% | 35.8% |
| EfficientDet-D1(640) | EfficientNet-B1 | 39.6% | 58.6% | 42.3% |
| EfficientDet-D2(768) | EfficientNet-B2 | 43.0% | 62.3% | 46.2% |
| EfficientDet-D3(896) | EfficientNet-B3 | 45.8% | 65.0% | 49.3% |
| EfficientDet-D4(1024) | EfficientNet-B4 | 49.4% | 69.0% | 53.4% |
| EfficientDet-D5(1280) | EfficientNet-B5 | 50.7% | 70.2% | 54.7% |
| EfficientDet-D6(1280) | EfficientNet-B6 | 51.7% | 71.2% | 56.0% |
| EfficientDet-D7(1536) | EfficientNet-B7 | 52.6% | 71.6% | 56.9% |
| CenterNet511 (single-scale) | Hourglass-52 | 41.6% | 59.4% | 44.2% |
| CenterNet511 (single-scale) | Hourglass-104 | 44.9% | 62.4% | 48.1% |
| CenterNet511 (multi-scale) | Hourglass-52 | 43.5% | 61.3% | 46.7% |
| CenterNet511 (single-scale) | Hourglass-104 | 47.0% | 64.5% | 50.7% |
2. 与CornerNet的对比
(1) CornerNet
CornerNet生成两个热度图（左上corner的热度图和右下corner的热度图），图中每个像素表示不同类别的corner关键点位置，并为每个关键点分配一个信任评分。此外，每个corner还预测了embedding和offset。embedding用于衡量两个焦点是否来自同一对象，即度量学习领域，offset则是学习corner点重新映射到原图上的偏差。为了生成目标的bbox，根据置信度评分选取top-k的左上角和右下角的corner，用embedding的距离来确定corner之间是否可以构成一个bbox，产生的置信分是corner置信分的平均值。
CornerNet的具体可以参考CornerNet。
(2) CenterNet和CornerNet的关系
CenterNet比CornerNet多了一个分支去预测中心点，某种极端情况下，可以理解成Center Keypoint分支不会太多改变CornerNet产生的原始Bbox的数目（实际上Loss为两个分支的联合Loss，也会影响CornerNet的分支），该分支只是用来筛选CornerNet产生的bbox，而筛选的方式就是选取top-k个中心关键点，看某个中心关键点是否落在bbox产生的中心区域内，如果落在中心区域，并且分类类别与两个corner点一致，则保留该bbox。