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

通过使用单个卷积神经网络将检测到的目标边界框检测为一对关键点（左上角和右下角），我们提出了一种名为 CornerNet 的新的目标检测方法，并且引入了一种新的池化层 ——corner pooling，该方法有助于网络更好地定位角点，实验表明在 MS COCO 上，CornerNet 实现了 42.2％的 AP，优于所有现有的一阶段检测器。

Aug, 2018

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

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

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

本文提出了使用基于点的方法代替基于盒子的方法进行三维物体的探测、跟踪及定位，并介绍了该方法中的 CenterPoint 框架，该框架检测对象的中心，然后针对其进行其他属性的回归，简化了物体跟踪，最终在 nuScenes 基准测试中达到了 65.5 NDS 和 63.8 AMOTA 的最高性能，同时超过了之前单一模型方法的所有记录，并在所有 Lidar-only 提交中排名第一。

Jun, 2020

本文提出了一种新的视角，即通过高级语义特征检测任务来检测对象，通过卷积实现中心和比例预测来简化行人和人脸检测，使其无需使用窗口分类器或基于锚箱的预测方式，并展现了在多项挑战性基准测试中具有竞争力的准确性以及卓越的泛化能力。

Apr, 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