CenterNet是一种基于Anchor-free的目标检测算法，它在CornerNet算法的基础上进行了改进。与传统的目标检测方法不同，CenterNet将目标检测问题简化为一个回归问题，直接预测目标的中心点位置和目标框的大小。这种方法的优势在于：

  1. 去除Anchors操作：CenterNet去除了低效复杂的Anchors操作，进一步提升了检测算法性能。
  2. 提高运行速度：直接在heatmap图上面执行过滤操作，去除了耗时的NMS后处理操作，进一步提升了整个算法的运行速度。
  3. 通用性：CenterNet不仅可以应用到2D目标检测中，经过简单的改变它还可以应用3D目标检测与人体关键点检测等其他任务中，具有很好的通用性。
  4. 端到端的检测：CenterNet是一个端到端的算法，它在速度和准确率上都要超过YOLOv3算法，是一个能很好地实现速度和精度平衡的算法。

CenterNet的网络结构相对简单，输入图片经过主干网络（Backbone）进行特征提取后，接上三个不同的预测分支：目标中心点热力图（Keypoint Heatmap）、目标框的宽度和高度。其中，目标中心点热力图用于预测目标的中心位置，而宽度和高度分支则用于预测目标框的大小。

在MS-COCO数据集上，CenterNet通过Res2Net-101和Swin-Transformer分别实现了53.7和57.1的AP，大大超过了所有现有的bottom-up检测器。此外，作者还设计了一个实时的CenterNet，实现了精度和速度之间的良好权衡，AP在30.5 FPS下达到43.6。这表明CenterNet在保持高效性的同时，也具有与top-down方法相当的竞争力。