Abstract: This blog post offers an overview of the 2019 paper “Objects as Points”, proposing a keypoint-based approach to object detection by modeling objects as bounding box centers with regressed attributes. It explains the principles of heatmap peaks for centers and direct regression for size/offset; the fully convolutional structure with multi-head outputs; implementation details like focal loss variants and backbones such as Hourglass/DLA; and experimental highlights on COCO, including superior speed-accuracy trade-offs and extensions to 3D detection and pose estimation.
这篇论文让检测可以不靠锚框滑动分类，而是把物体当成中心点来估计。论文的方法端到端，避开NMS那种后处理，还能扩展到3D和姿态。现在检测领域到处是keypoint-based方法，这篇是先驱。
背景和动机：传统检测的浪费和痛点
传统检测像Faster R-CNN或YOLO，都用轴对齐框表示物体，然后枚举一堆潜在位置（锚框或提案），分类每个是物体还是背景。这些方法都比较低效，锚框多达上万，计算冗余，还需NMS去重（IoU计算，非可微）。论文想简化：物体就一个中心点，其他属性（如大小、3D）从点回归。像关键点估计（keypoint detection），全卷积网生成热图，峰值是中心。端到端，推理单次前向，无后处理。快准，还泛化到3D检测和姿态。
核心原理：中心点 + 属性回归
CenterNet把检测当成关键点问题。物体用框中心点表示，热图峰检测中心，特征从峰回归属性。
- 热图估计：全卷积网输出热图Y，每类一个通道。高斯核标注真值中心，焦点损失（focal loss变体）训练。峰是物体。
- 属性回归：从中心特征回归大小（w,h）、偏移（offset，补下采样误差）。损失L1。扩展：3D加深度、方向、尺寸；姿态加偏移向量到关节。
原理上，避枚举，复杂度低（热图峰少）。端到端可微，无先验锚框。
模型结构：全卷积骨干 + 多头输出
结构简单：骨干网 + 上采样头。输入图像，输出热图 + 属性图。
- 骨干：Hourglass、DLA或ResNet，提取特征。
- 头：卷积生成热图Y ($H/4 × W/4 × C$类)，峰提取中心。回归头：大小图 (2通道)、偏移图 (2通道)。
- 推理：热图找峰（局部最大），取top-100，回归属性得框。无NMS。
变体：3D加深度/方向头；姿态加关节偏移头。整体像CornerNet，但单点简洁。
实现细节：训练和工程小窍门
实现用PyTorch，骨干预训ImageNet。输入512x512，下采样4x。训练：焦点损失热图，L1回归。超参：α=2, β=4焦点；λ_size=0.1, λ_off=1。aug：翻转、缩放。推理：单尺度或多尺度测试。扩展任务：3D用KITTI，姿态COCO keypoints，改头回归相应属性。
细节上，峰提取用3×3 max pool。Hourglass慢但准，DLA快。
实验部分
第5节在COCO上测，train 118k，val 5k。DLA-34单尺度AP 37.4% @52 FPS；Hourglass-104多尺度45.1% @1.4 FPS。比YOLOv3、RetinaNet快准。消融：分辨率高AP升但慢；L1优于Smooth L1；长训（230epoch）好。3D KITTI：AP 27.0% moderate。姿态COCO：AP 64.0%，实时。PascalVOC：AP 80.5%。这些显示CenterNet权衡佳，泛化强。
一点感想
CenterNet的框架是点估计 + 回归，思想简化检测，端到端优雅。影响了YOLOv5等，但原作的纯净值得回味。