motivation
去掉anchor密集候选，降低资源消耗
方案
model an object as a single point — the center point of its bounding box.
直接用中心点来替代anchor，完成分类和位置回归（中心点和长宽）
模型结构
（1）使用卷积网络提取原图4倍下采样feature map.
（2）feature map上对应目标bbox中心点的label为1，背景为0，中心点附近点的label遵循高斯衰减，一个类中不同目标label区域有重合，取更大高斯值。
（3）网络学习的三个目标：分类、中心点offset（原图下采样到feature map，中心点位置存在损失）、目标长宽。对应的损失函数分别为改进版focal loss，L1 loss和L1 loss：
NMS-free
推理阶段，对4倍下采样的feature map每个类/通道预测中心点，置信度为feature map对应cell的值，每个点只预测一个“anchor”，理论上不存在重复预测，即NMS-free。取每个类/通道的feature map的局部极值作为候选，取top100，然后通过设置的阈值过滤，剩下的中心点作为最终结果。效果类似NMS，但计算量更小。
总结讨论
优势
1、去掉anchor密集候选，计算量减少，资源消耗更少。
2、去掉NMS，端到端推理速度较YOLO V3更快。（NMS目的是剔除一个点的多个重合预测框，centernet每个点只预测1个）
3、可用于3D目标检测。
4、网络结果极简。
劣势
1、无法像anchor-base的模型一样，一个cell多个anchor，centernet一个center只能检测一个对象，中心完全重合的目标可能丢失。
讨论
anchor-base和anchor-free的本质都是在feature map上一个一个cell搜寻目标，都仍难免正负样本不均衡的问题，需要使用新的框架？transformer？GCN？
