CenterNet算法笔记_centernet offset-优快云博客

CenterNet是一种基于点预测的目标检测算法，与CornerNet相比，它预测目标的中心点而不是角点。通过高斯分布的热力图实现，并使用L1损失函数优化。算法提供了不同效果和效率的模型，主要通过更换特征提取网络实现，如DLA和ResNet。尽管存在中心点重合的潜在问题，但在COCO数据集中比例极小，不影响训练稳定性。在推断阶段，CenterNet不需要NMS操作，通过最大池化进行重复框过滤。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

论文：Objects as Points
论文链接：https://arxiv.org/abs/1904.07850
代码链接：https://github.com/xingyizhou/CenterNet

这篇CenterNet算法也是anchor-free类型的目标检测算法，基于点的思想和CornerNet（参考博客：CornerNet算法笔记）是相似的，方法上做了较大的调整，整体上给人一种非常清爽的感觉，算法思想很朴素、直接，而且重点是在效果和效率之间能取得很好的平衡，提供的几个模型基本上能满足大部分人对效果和效率的需求，如Table1所示，这是十分难得的。

整体上还是习惯拿CenterNet和CornerNet做对比，CenterNet和CornerNet主要有3个不同点：
1、CenterNet，从算法名也可以看出这个算法要预测的是目标的中心点，而不再是CornerNet中的2个角点；相同点是都采用热力图（heatmap）来实现，都引入了预测点的高斯分布区域计算真实预测值，同时损失函数一样（修改版focal loss，网络输出的热力图也将先经过sigmod函数归一化成0到1后再传给损失函数）。另外CenterNet也不包含corner pooling等操作，因为一般目标框的中心点落在目标上的概率还是比较大的，因此常规的池化操作能够提取到有效的特征，这是其一。
2、CerterNet中也采用了和CornerNet一样的偏置（offset）预测，这个