arXiv: https://arxiv.org/abs/1901.08043
github:https://github.com/xingyizhou/ExtremeNet
基于关键点的anchor free的方法。在COCO数据集上单尺度测试box MAP可达到40.3，多尺度测试可达到43.7。 Mask AP可达到34.6。
主要方法如下（如下图所示）：
首先通过4副heatmap预测上下左右四个点（top-most, left-most, bottom-most, right-most），center heatmap预测中心点的位置。之后将上下左右四个图做融合，对四个点组合生成box并判断center位置是否在对应center heatmap上有较高score，从而确定四个点的组合方式。
整个模型使用hourglass作为特征提取网络。上边一行生成5×C×H×W的heatmap，C×H×W代表一种点（上，下，左，右，中心）。C为类别。COCO数据集中取80。
下边一行4×2×H×W的offest heatmap，代表上，下，左，右四类点的偏移量，作为辅助调整点位置。
除上述主要思想外，文中还使用了一些技巧来提高分数。
包括Center Grouping，Ghost box suppression，Edge aggregation，Extreme Instance Segmentation等。
具体内容可以阅读论文第四章。
评估模型：
可以看到模型可以实现较高的精度：
模型也可用于mask的预测，完成语义分割的任务。也可以获得不错的结果。（结合 DEXTR方法【Deep extreme cut: From extreme points to object segmentation】）
预测效果：
