CornerNet
hourglass network -> prediction module = corner pooling -> heatmaps + embedding + offsets
corner polling，获取角点信息
1、左上角的点和左边和上边的特征有关，因此角池化后会有这两个信息。
2、公式就是当前点到最左线和最上线的距离的和。
3、类似residual block形式，有skip connection
heatmaps,预测角点的位置
1、对负样本做欠采样以及focal loss: 重视困难（错分）样本 = 正样本损失值小，负样本损失值大。
2、改进focal loss， 对不同的负样本点的损失函数采取不同权重值。
offset, 取整计算丢失精度信息
1、像faster rcnn的ROI Pooling有精度丢失问题，引出该计算公式。
embedding，找出同一个目标的两个角点
1、两个损失函数，第一个公式用来缩小同一个目标距离，第二个公式用来扩大不属于同一个目标的距离
2、采用L1范数，大于0.5或者两点来自不同类别的目标都不能构成一对。
注意事项：
1、预测角点时，采用NMS来选择左上角前100个框和右下角前100个框。
2、0值填充作为网络的输入，而不是resize。
3、通过soft-nms 来去除冗余框，只保留前100个预测框
#################
CenterNet
改进CornerNet,提出关键点三元组。
anchor-base缺陷：anchor数量巨大，anchor人工设计，anchor与gt不对齐不利于分类。
anchor-free缺陷：CornerNet全局信息获取能力较弱，无法正确group同一物体的两个点。因为CornerNet的corner pooling仅依赖物体的边沿，并没有利用物体内部信息。这个问题可以通过互补信息解决--比如aspect ratio（anchor利用宽高比加速回归，对点没用）
1、center pooling
- 通过相加特征图水平和垂直方向上最大值获得。
- 首先提取物体边界最大值，然后在边界最大值处继续向内部(图中沿虚线方向)提取最大值，并与边界最大值相加，以此给角点特征提供更加丰富的关联物体语义信息
2、cascade corner pooling
类似corner pooling模块，只不过同时获取内部和边沿信息以增加稳定性。
注意事项：
1、中心区域的尺度会影响错误框去除效果。过小导致小尺度无法去除，过大导致多大尺度无法去除。因此引出尺度可调节的中心区域定义法：对大尺度减少中心域，对小尺度扩大中心域。