CenterNet 简介
CenterNet（Objects as Points）是一类 anchor‑free、单阶段 的目标检测框架。它把每个目标抽象为 图像特征图上的一个中心点，并在该点上同时回归目标的宽高、偏移等属性，从而直接得到完整的边界框。整个过程 端到端可微，不需要传统的候选框生成、anchor 设计或非极大值抑制（NMS）等后处理步骤。
1. 基本原理
| 步骤 | 说明 |
|---|---|
| 热图（heatmap） | 对每个类别生成一张二维热图，热图的每个像素值表示该位置是否为目标中心。正样本位置用高斯核平滑，负样本为 0。 |
| 偏移（offset） | 由于特征图下采样会导致中心点坐标出现整数偏差，网络额外预测一个细粒度的偏移量，以恢复到原始图像坐标。 |
| 宽高（size） | 对每个检测到的中心点，回归对应的目标宽度 w 和高度 h。 |
| 后处理 | 在热图上取局部最大值（peak），结合偏移和宽高得到最终的检测框。因为中心点本身已经是唯一的峰值，不需要 NMS。 |
2. 网络结构
- Backbone（特征提取）
- Neck（特征融合）
- Head（预测头）
3. 损失函数
| 目标 | 损失 | 说明 |
|---|---|---|
| 热图 | Focal Loss（聚焦损失） | 解决正负样本不平衡，强化难检测的中心点 |
| 宽高 | L1 / SmoothL1 | 对宽高回归进行回归误差约束；最新改进倾向使用 SmoothL1 以提升收敛稳定性 |
| 偏移 | L1 | 对中心点细微偏移进行回归 |
整体损失是三者的加权和，训练时端到端优化。
4. 主要优势
- 结构简洁：无需 anchor、RPN、NMS，网络整体更轻量。
- 速度‑精度平衡：在 COCO 上，CenterNet‑511‑52 达到 AP≈47.0%，已接近两阶段检测器的水平。
- 对小目标友好：中心点的热图能够捕捉稀疏且密集的目标，尤其在小目标检测上表现出色。
- 易于迁移：只需更换 backbone，即可适配不同算力平台（如移动端、嵌入式）。
5. 已知局限
6. 近期改进与变体（2023‑2025）
| 改进方向 | 代表工作 | 关键技术 |
|---|---|---|
| 轻量化骨干 | MIR‑SPPA‑CenterNet（2025） | 引入混合反残差（MIR）模块、带注意力的空间金字塔池化（SPPA），参数量下降至原来的 59%，mAP 提升 2.2 点 |
| 移动端模型 | mCFP‑CenterNet（2025） | 使用 MobileNet‑v3 + 集中特征金字塔（CFP），在扬尘污染源检测上实现 ≈59% 参数压缩，FPS 提升 3% |
| 少样本/增量学习 | ONCE（Open‑ended CenterNet）（2024‑2025） | 结合元学习的类别编码器，实现新类别的无缝注册，适用于开放世界检测 |
| 3D 检测 & 姿态估计 | CenterNet‑Keypoint Triplets、CenterNet‑3D | 在 2D 中心点基础上额外回归深度、方向或关键点，实现 3D 边界框和人体姿态估计 |
| 多任务融合 | DAE‑CenterNet（2025） | 引入一次性聚集扩张模块（DAE）和注意力机制，提升感受野并降低漏检率 |
7. 典型应用场景
- 自动驾驶：车道、行人、车辆的实时检测；轻量化版本可部署在车载芯片。
- 工业检测：如 输电线路异物检测（AP ≈ 93%）、扬尘污染源监测、车载热成像目标检测。
- 无人机/遥感：轻量化 CenterNet 适用于航拍图像的目标定位。
- 医学影像：关键点式检测可用于病灶定位（如肺结节）。
- 机器人视觉：实时抓取、避障等需要快速、准确的目标定位。
8. 小结
CenterNet 通过 “对象即点” 的思路，摆脱了传统 anchor 与 NMS 的复杂性，实现了 高效、端到端 的目标检测。自 2019 年提出以来，已经衍生出多种轻量化、增量学习、3D 扩展等变体，广泛落地于 自动驾驶、工业检测、无人机视觉 等实际场景。随着 MIR‑SPPA、MobileNet‑v3、元学习等技术 的融合，CenterNet 在 算力受限 环境下的表现进一步提升，仍是当前和未来 anchor‑free 检测 研究与工程实现的核心基线之一。
声明：文章均为AI生成，请谨慎辨别信息的真伪和可靠性！