基于关键点keypoint（point数目直接基于图像空间像素数）的anchor free目标检测算法：
- cornertNet
- centerNet
- ExtremeNet
基于锚点anchor point（point数目基于特征空间像素数）的anchor free目标检测算法：
- DenseBox
- FCOS
- SAPD
将目标检测为box的一对对角点。每种类别目标用预测一张热图表示左上角点，及一张热图用于右下角点。每个类别需要2张heatmap:一张预测左上角，一张预测右下角。
如果是2类，则最终的输出map是 2(类别) *2 heat_map = 4。每个点对，回归一对相同embedding vector
训练时，每个角点只有一个正样本，其余均为负样本。
因为池化会丢失位置细节，因此利用跨层连接（Houghglass 网络--具有8个对称的模块，先降采样再升采样，其中融合了resnet的残差块的通道相加。），给上采样的特征图找回细节。
因此需要组合得到配对的点，如何组合得到一个表示box的点对呢？作者受姿势估计方向的一些工作的启发，引入了嵌入向量。
Lpull:本质上就是回归每个box的左顶点的向量与右顶点的向量相等。Group points
Lpush：我们希望不同box的角点嵌入向量距离尽可能远。 Separate points
LOff
映射偏移损失：
图像空间像素映射到heatmap空间时会产生映射产生量化误差。因此当我们把heatmap预测结果映射到图像空间时，会有精度丢失，对小目标有很大影响。我们把这个放到网络损失里，让网络去稳定训练时和测试时的这部分误差。
不带帽子的Ok是模型预测角点及得到的heat映射，戴帽子的是真值的角点及其映射。尽可能地保证模型训练时的映射误差和推理时的映射误差的一致性。
对不同负样本的损失，依据其到角点的距离做高斯衰减，这个距离怎么确定，IOU，通过设定IOU距离>0.3,可以得到一个radius。把这个radius的1/3作为高斯核的标准差theta. 去编码一个2D的高斯核函数ycij，离圆心越近，衰减系数越小。