下面几篇论文在目标领域内被广泛认为是具有里程碑意义的，它们引入了一些基本概念和方法，对后续的研究产生了深远的影响：

1. DenseBox
        虽然不完全是今天所讨论的anchor-free检测方法，但DenseBox是较早采用端到端方式进行目标检测和定位的方法之一，它为后续的anchor-free方法提供了灵感。DenseBox通过直接在特征图上预测边界框和目标的存在，展示了去除传统锚点的可能性。

2. YOLOv1 
        YOLOv1是一个开创性的工作，它将目标检测视为一个单一的回归问题，直接从图像像素到边界框坐标和类别概率的映射。虽然YOLOv1本身使用了锚点，但它的整体思想和设计哲学对后来的anchor-free方法有着重要的影响，特别是它对于实现快速、简洁且有效的目标检测系统的追求。

3. CornerNet
        CornerNet是一个真正的anchor-free目标检测方法的代表，它通过检测对象的角点（左上角和右下角）并使用配对的关键点来预测对象的位置，而不依赖于预定义的锚点。CornerNet的提出标志着anchor-free目标检测方法的一个重要发展，它展示了一种全新的思路来解决目标检测问题。

4. CenterNet:
        CenterNet进一步发展了基于关键点的目标检测方法，通过检测目标的中心点以及其宽度和高度的估计，来定位和识别目标。这种方法同样不依赖于预定义的锚点，为anchor-free目标检测提供了又一种有效的途径。

CornerNet

        CornerNet是一种创新的anchor-free目标检测方法，它通过检测成对的角点（即目标边界框的左上角和右下角）来定位和识别目标。

        这种方法摒弃了传统目标检测算法中使用的锚点（anchors），提出了一种基于关键点检测的目标检测新框架。

以下是CornerNet的主要内容和步骤的详细描述：

1. 关键点检测

• 角点作为关键点：CornerNet将目标检测问题转化为检测成对的关键点，即目标边界框的左上角和右下角。这种方法的核心思想是，一对正确匹配的角点可以唯一确定一个边界框。
• 热图预测：模型使用卷积神经网络（CNN）生成两个热图（heatmaps），分别对应于图像中所有左上角和右下角的位置。热图上的每个像素值表示该位置是角点的置信度。

2. 嵌入向量

• 角点配对：为了将检测到的左上角和右下角正确配对，CornerNet为每个角点预测一个嵌入向量（embedding vector）。通过计算两个角点嵌入向量之间的距离，模型可以判断这两个角点是否属于同一个对象。
• 拉力和推力损失：模型使用一种称为“拉力和推力”的损失函数来训练嵌入向量，使得同一对象的角点的嵌入向量相近，而不同对象的角点的嵌入向量相远。

3. 边界框大小预测

• 尺寸预测：除了角点的位置，CornerNet还预测每个角点到对应边界框另一角的偏移量（即边界框的宽度和高度）。这有助于提高边界框定位的准确性。

4. 角点池化

• 角点池化层：为了更准确地定位角点，CornerNet引入了一种特殊的池化层，称为角点池化层（corner pooling）。这个池化层能够帮助模型更好地捕捉到角点的特征，尤其是在目标边缘部分。

5. 训练和推理

• 训练：在训练过程中，CornerNet同时优化热图预测、嵌入向量和边界框尺寸预测的损失函数。
• 推理：在推理时，模型首先生成热图和嵌入向量，然后通过阈值操作和非极大值抑制（NMS）来选择和配对角点，最后根据角点位置和预测的尺寸生成最终的边界框。