CenterNet++ for Object Detection解读github：https://github.com/

主要思路

主要预测中心点，左上角顶点，右下角顶点三个位置。相比传统的anchor free的算法，这篇文章主要特点在于gt的定义。

如图所示，根据参数N设置了中心区域，再根据中心区域月heatmap的落点，确定正负样本。计算公式如下：

其余部分与传统的anchor free的模型基本相似，在此不做过多记录。

采用常见的backbone,resnet18，resnet50，resnet101，swim-transfomer等。

采用的5层的FPN结构，其中p6和p7没有concat，在这里保持怀疑p6和p7对模型的影响。

在head这边需要计算中心，左上、右下3个点，在head优化pooling方法，具体结构如下。可以去对比centerNet的pooling方式

整个loss结构如下：

其中 $L_{cls}$ 为Focalloss， $L_{reg}$ 为GIou， $L_{kp}$ 为高斯Focalloss， $L_{off}$ 为SmoothL1Loss.

对比centernet主要区别在与重新的定义的gt的意义以及center的范围，其次在loss上稍作了调整。可以看成centernet的升级版。在bottom-up的网络中表现尚可，与top-down结构也能抗衡，但是没有特别眼前一亮的感觉。文中实验结果：