个人理解

**创新点：**作者借鉴于人体姿态估计的思想，设计出了Anchor-free的目标检测算法，开辟出了目标检测的一个新的方向。
**为什么：**目前已有的，性能好的目标检测算法基本都是based-anchor的，而anchor的引入会带来两个缺点：① 造成正负样本极度不均衡；② anchor会带来许多超参数，如anchor的大小、数量、长宽比等。因此作者想要设计一种不使用anchor的目标检测算法
**怎么做：**作者把目标检测算法当做一个检测bounding box左上角和右下角这一对关键点的任务，使用Hourglass network当做骨干网络，在骨干网络之后接着两个分支，分别是检测左上角关键点的模块和右下角关键点的模块，在每个模块中，作者还设计了一种专用与Corner 的 Corner pooling 策略，另外，每个模块都有三个输出，分别是HeatMap（预测该点属于某个类别的某个物体的角关键点的概率），offset（用于微调cornet，即使corner更加准确），embedding（用于同一物体的左上角关键点和右下角关键点配对的embedding vector）。

一、摘要

We propose CornerNet, a new approach to object detection where we detect an object bounding box as a pair of keypoints, the top-left corner and the bottom-right corner, using a single convolution neural network. By detecting objects as paired keypoints, we eliminate the need for designing a set of anchor boxes commonly used in prior single-stage detectors. In addition to our novel formulation, we introduce corner pooling, a new type of pooling layer that helps the network better localize corners. Experiments show that CornerNet achieves a 42.2% AP on MS COCO, outperforming all existing one-stage detectors.

提出了一种新的目标检测方法，利用一个卷积神经网络，获取一对关键点（左上角和右下角）来检测一个目标边界框
设计了角池化，一种新型的池化层，可以帮助网络更好地定位角。
本文提出的CornerNet是一个anchor-free的物体检测方法，它的思想取自于人体估计的自底向上思想