1. CenterNet 的引言

CenterNet，全称为 CenterNet: Objects as Points，是计算机视觉领域中一个高效的 anchor-free 物体检测（Object Detection）模型。它由 Xingyi Zhou、Dequan Wang 和 Philipp Krähenbühl 在 2019 年提出，并在 arXiv 上发布。 CenterNet 的核心创新在于将物体视为关键点（keypoints），具体是物体的中心点，通过热图（heatmap）预测中心位置，然后回归物体的宽度、高度和偏移，从而生成边界框。这避免了传统模型如 YOLO 或 SSD 中对锚框（anchor boxes）的依赖，简化了设计并提高了泛化能力。

与其他检测器不同，CenterNet 将检测转化为关键点估计问题，类似于人体姿态估计，使用单一 CNN 端到端处理。在 MS COCO 数据集上，CenterNet 的平均精度（AP）达到 42.1%（ResNet-101 骨干），在速度上也表现出色（~28 FPS）。 到 2025 年，CenterNet 的变体如 CenterNet2 已被提出，进一步集成 Transformer，提升了在密集场景下的性能。

CenterNet 的名称源于其对物体“中心”（center）的强调，它标志着从锚框向关键点范式的转变，在自动驾驶、安防监控和医疗图像分析等领域广泛应用。

2. CenterNet 的背景和发展

CenterNet 的提出是为了解决 anchor-based 检测器的局限性。在 CenterNet 之前，两阶段模型如 Faster R-CNN 使用 RPN 生成锚框，但计算重；单阶段模型如 SSD 依赖大量锚框，导致参数敏感和冗余。 作者观察到，物体可以简化为中心点，这简化了问题并避免了 IoU 匹配复杂。

论文《CenterNet: Objects as Points》于 2019 年发布，灵感来源于关键点检测如 Hourglass 和 DLA（Deep Layer Aggregation）。 发展历史上，CenterNet 开启了 anchor-free 时代的浪潮，直接影响了后续模型如 FCOS 和 YOLOv5 的变体。 到 2025 年，CenterNet 的扩展如 CenterNet2 通过双级设计，提升了小物体检测，并在 NeurIPS 上获奖。

CenterNet 的影响延伸到 3D 检测和多模态任务，推动了高效 AI 的发展。

3. CenterNet 的核心组件和架构

CenterNet 的架构灵活，可使用 ResNet、DLA 或 Hourglass 作为骨干。输入图像缩放到 512x512。

• 骨干网络：提取特征图（e.g., 128x128xC）。

• 热图预测（Heatmaps）：预测每个类别的中心点热图，使用高斯核生成 ground truth。

• 偏移预测（Offsets）：修正下采样导致的中心点偏移（2 通道）。

• 尺寸预测（Sizes）：回归物体宽度和高度（2 通道）。

整体流程：图像 → 骨干 → 热图/偏移/尺寸 → 峰值提取 → 边界框（x,y,w,h = center + offset, size）。无 NMS，直接取热图峰值。

在推理中，热图 softmax 后取 top-K 峰值。

4. CenterNet 的数学公式和理论基础

CenterNet 的损失函数是多任务损失：

$$L=L_k+{\lambda }_{size}{L}_{size}+{\lambda }_{off}{L}_{off}$$

• $L_k$：热图损失，使用 Focal Loss 变体：

$$L_k=\frac{-1}{N}\sum _{c=1}^C\sum _{xy}\{\begin{array}{ll}(1-p_{cxy}{)}^{\alpha }\log (p_{cxy})& y_{cxy}=1\\ (1-y_{cxy}{)}^{\beta }{p}_{cxy}^{\alpha }\log (1-p_{cxy})& otherwise\end{array}$$

α=2, β=4, y 是高斯热图。

• $L_{off}$：偏移 L1 损失，仅正中心计算。

• $L_{size}$：尺寸 L1 损失。

理论基础：中心点比角点更易定位，避免锚框偏差。

5. CenterNet 与其他模型的比较

CenterNet 是单阶段 anchor-free 检测器，与 CornerNet 和 YOLO 比较。

• 相似点：实时、端到端。

• 差异点：

  • CenterNet 使用中心点；CornerNet 使用角点对；YOLO 使用网格。
  • 速度：CenterNet ~28 FPS；CornerNet 4 FPS；YOLOv1 45 FPS。
  • AP (COCO)：CenterNet 42.1%；CornerNet 42.1%；YOLOv1 ~20%。

表格比较：

方面	CenterNet	CornerNet	YOLOv1
关键点	中心	角点对	无（网格）
AP (COCO)	42.1%	42.1%	~20%
机制	热图 + 回归	热图 + 嵌入	回归

CenterNet 在速度和精度平衡好。

6. CenterNet 的优势、局限性和改进

优势：

• 无锚框：简化，提升泛化。
• 高效：单一网络，快。
• 多任务：易扩展姿态/分割。

局限性：

• 小物体：热图分辨限。
• 密集：中心重叠问题。
• 骨干依赖：需深网络。

改进：CenterNet2 添加级联。

7. CenterNet 的应用

CenterNet 用于实时监控、无人机和医疗检测。在工业中，用于缺陷；在研究中，用于多模态。

8. CenterNet 的结论和未来影响

CenterNet 革新 anchor-free 检测，推动关键点方法。到 2025 年，其在 3D 中的扩展将继续影响 AI。