本文提出了一种有效的解决方案，通过使用代价最小的方式探索每个裁剪区域中的视觉模式，对目标检测中常见的边界框错误进行了改善，并在 MS-COCO 数据集上实现了 47.0％的 AP，性能比所有现有的一阶段检测器至少高 4.9％。同时，中心网展示出与排名前两名的两阶段检测器相当的性能，并在线上提供代码。

Apr, 2019

本研究旨在解决基于关键点的目标检测的高处理成本问题，提出了 CornerNet-Lite 算法，它是 CornerNet 的两个高效变体 CornerNet-Saccade 和 CornerNet-Squeeze 的组合，可以在不牺牲准确性的前提下提高检测效率，为实时检测带来了新的可能性。

Apr, 2019

该论文提出了一种新的基于角点建议网络（CPN）的锚点自由，两阶段目标检测框架，首先通过查找潜在角点关键点组合提取了许多物体建议，然后通过一个独立的分类阶段为每个建议分配一个类别标签，从而提高了召回率和精度。在 MS-COCO 数据集上，CPN 实现了 49.2% 的 AP，超越了大多数同样推理速度的竞争对手。

Jul, 2020

本文提出的 CenterNet 方法使用 keypoint triplet 创新的实现了无 anchor 的 bottom-up 目标检测，相比于传统 top-down 方法具有更高的召回率和竞争力，并在多个数据集上取得了最优的性能表现。

Apr, 2022

本文提出了一种基于中心点检测的方法，该方法使用关键点估计来找到物体的中心点，并回归到所有其他物体属性，例如大小，3D 位置，方向和姿态，实现了较好的速度和精度。

Apr, 2019

本文提出了一种基于 Centripetal shift 的 Corner 点匹配方法，并使用 Cross-star 可变卷积网络进行特征适应，将其应用于实例分割任务，得到了与目前最先进的实例分割方法可比较的性能。

Mar, 2020

本文提出了一种使用基于关键点估计网络的下向方法进行目标检测的算法，我们只需检测每个对象的最高、最左、最下、最右以及中心五个极点，并且如果这些点在几何上对齐，则将其分组为一个边界框，从而避免了区域分类或隐式特征学习，此算法表现出了与基于区域的检测算法相当的性能。

Jan, 2019

ObjectBox 是一种新颖的单阶段无锚点、高度通用的物体检测方法，通过仅使用对象中心位置作为正样本以及不受对象大小或形状影响地在不同的特征级别平等对待所有对象，解决了现有基于锚点和无锚点检测器在标签分配中偏向特定对象尺度的问题。

Jul, 2022

介绍了一种新颖的关键点检测方法，该方法结合了手工制作和学习的 CNN 滤波器，使用浅层的多尺度架构，在网络中使用尺度空间表示，在不同的层面提取关键点，并设计了一种损失函数来最大化关键特征的可重复性，使用 ImageNet 数据集创建了合成数据用于训练并在 HPatches 基准测试中进行了评估，结果显示我们的方法在可重复性，匹配性能和复杂性方面优于现有的检测器。

Apr, 2019

使用深度卷积神经网络实现了基于点和连接线的物体包围框表示方法 Point Linking Network（PLN），相比现有算法更具鲁棒性，可以应对物体遮挡、比例和长宽比等变化，且在多个基准测试数据集上均取得了最先进的单模型、单尺度检测结果。

Jun, 2017