ExtremeNet
论文地址：
摘要
提出一种目标检测新思路，首先通过标准的关键点检测检测四个极值点和一个中心点，然后通过几何关系对提取到的关键点进行分组，5个极值点对应一个检测结果
该方法使目标检测转化为一个基于外观信息的关键点估计问题，从而避开区域分类和隐含特征学习
原理
在O(hw)的空间预测5个heatmap，代表该位置是否是某个类别的极左点，极右点，极顶点，极底点，预测的是概率值，代表该位置是否有极值点以及它所属的类别；ExtremeNet通过暴力组合所有的极点来判断哪些点来自于同一个物体，通过四个极值点计算该四个点的物理中心，到center heatmap中找到该点的值，如果该值超过阈值则这是一个有效的组合
edge aggregation
当物体边缘处于水平或者竖直状态，极值点会不唯一，这样会导致两个问题，一个是极值点的极值响应会低于阈值，导致极值消失，漏检；另一个问题，同一个物体，水平状态下极值点响应会很低，但是旋转一个比较小的角度，该物体的极值点的响应会很大。
解决该问题的办法是左右极值点在竖直方向上聚合，上下极值点上水平聚合，聚合直到遇到单调递减的最低值
nms
对相应的heatmap做nms，heatmap上是一些分数值，通过一次max_pool，然后判断max_pool后和原来一样的点的位置，这些点保留，其他的删除，即选出3x3滑动窗口上最大的那个位置
去置信度最大的40个点，记录他们的位置和置信度
loss
ExtremeNet角点和offset的loss采用了CornerNet的loss，没有组点的过程所有没有那部分的损失，但是角点的损失由2个增加到5个