参考：https://mp.weixin.qq.com/s/eOGkafUE6papKHCpbYrwqQ
一个同行大神的总结：https://blog.csdn.net/qiu931110/article/details/89430747
原文名为：重磅！13篇基于Anchor free的目标检测方法，这里我只介绍我觉得比较有用的文章和算法
13篇基于Anchor free的目标检测论文列表，后面是我赛筛选其中比较重要的部分，内容没做太多改动。
UnitBox: An Advanced Object Detection Network
Densebox
Yolo-1
CornerNet
ExtremeNet
FSAF: Feature Selective Anchor-Free
FCOS: Fully Convolutional One-Stage
FoveaBox
Center and Scale Prediction: A Box-free Approach for Object Detection
Region Proposal by Guided Anchoring(GA-RPN)
CenterNet: Objects as Points
CenterNet: Keypoint Triplets for Object Detection
CornerNet-Lite: Efficient Keypoint Based Object Detection
UnitBox: An Advanced Object Detection Network
贡献点：把回归的的loss从smoothL1改成IOU loss，我记得它的motivation比较哲理性：我们的目标和我们的行动应该一致，既然我们看性能时是看通过IOU计算，那我们loss应该直接和IOU相关。
CornerNet是2018 ECCV oral 文章，引领基于关键点的目标检测算法，后面好多文章都是certerNet和centerNet-lite都是基于这篇文章做的优化。
把检测目标框变成一对关键点的问题，即左上角和右下角，这样就消除了锚框的设计麻烦。另外，采用的角点池化（corner pooling）技术帮助CNN更好地定位角点位置。 下图给出了系统流程图：CNN模型输出两个关键点的各自热图（heatmap），同时各跟一个嵌入向量。同一个目标的角点，训练后的神经网络会预测类似的嵌入。
下图是定位的角点池化技术：每个特征图通道沿着两个方向取最大值，然后求和。文章提出的corner pooling：
主要思想：基于特征金字塔网络(feature pyramid structure，FPN)的在线特征选择能力， 在训练时可以动态分配每个实例到最适合的特征层，在推理时能够和带锚的模块分支一起工作，最后并行地输出预测。
我看了这篇文章作者的报告，他说大家都以为他这篇文章的主要贡献在anchor-free而，实际anchor-free的概念早在yolo1就提出来了，这篇文章的主要贡献在与特征选择的设计，选择loss最小的特征。
相关解读：FCOS
arXiv: https://arxiv.org/abs/1904.01355
有基于pytorch的开源代码：
github: https://github.com/tianzhi0549/FCOS
主要思想：是分割，不需要锚框也不需要区域提议。 这样，避免了锚框在模型训练中涉及的重叠计算和性能敏感的参数设计环。
FCOS中定义了一个新损失函数“中心度（centerness）”，如下图（ 红和蓝对应 1 和 0， 其他颜色位于其中）。
在分类分支引入中心度的概念：
相关解读：CenterNet
主要思想：基于前面提到的CornerNet，检测目标变成三个关键点的估计（a triplet of keypoints）。
架构图：一个核心网络执行级联角点池化（cascade corner pooling）和中心点池化（center pooling ），输出两个角点热图和一个中心关键点热图；和CornerNet类似，一对检测的角点和嵌入用来检测潜在目标框；然后检测的中心关键点确定最终的框位置。
基于pytorch开源代码：github：https://github.com/Duankaiwen/CenterNet
论文链接：https://arxiv.org/abs/1904.08189
主要思想是：目标中心点，语义抽象。
目标检测变成一个直接的中心和尺度预测。最后卷积有两个通道，一个是关于中心位置的热图，另一个是中心的尺度图。
这篇文章的代码我试过，稍微改一下就能训练。但是是基于keras的，而且多卡并行一直没调好。
