论文地址：https://arxiv.org/pdf/1904.08189.pdf
在本文中，作者将一个对象建模为一个单点，即其包围框的中心点。并使用关键点估计来找到中心点，并回归到所有其他对象属性，如大小、3D位置、方向，甚至姿势。CenterNet，比相应的基于边界盒的检测器更简单、更快、更精确。

一、实现细节：

设$I\in R^{W\times H\times 3}$为宽度为W、高度为H的输入图像，生成一个关键点热图$Y\in [0,1{]}^{(W/R)\times (H/R)\times C}$，其中R为输出步幅，C为关键点类型的数量。例如物体检测中的C = 80个物体类别。本文的输出步幅R = 4。下采样输出预测步长由R决定。预测$Y_{x,y,c}=1$对应一个检测到的关键点，而Y_{x, y,c} = 0$是背景。本文使用几种不同的全卷积编码器-解码器网络从图像$I$中预测$Y:stacked hourglass network 、ResNet和深层聚合网络(DLA)。
对于c类的每个ground truth keypoint为$p\in R^2$,在低分辨率图像上等效$p=[p/R]$。把所有的ground truth keypoint都放在一个热图上$Y\in [0,1{]}^{(W/R)\times (H/R)\times C}$使用高斯核:

其中σ是一个对象大小自适应的标准差,如果同一类的两个高斯函数重叠，则取元素方向的最大。训练目标是减少惩罚的像素逻辑回归与焦点损失：
其中，α和β为 focal loss的超参数，N为图像i中的关键点个数，选择N进行归一化，将所有positive focal loss实例归一化为1。在所有的实验中使用α = 2和β = 4。为了复原由输出步幅引起的离散化误差，在每个center point还预测了一个局部偏移：

所有类c共享相同的偏移量预测。用L1 loss来训练偏移量：