CVPR 2019 沒有出現像Faster RCNN，YOLO這種開創性的工作，基於現有方案和框架的改進爲主，技術進步着實有些緩慢，或許也代表方案逐步趨於成熟。
本文重點介紹如下幾個改進方法：GA-RPN GIOU FSAF Mask Score RCNN
1. GA-RPN
Anchor選取機制很大程度上代表了最終檢測效果的好壞，無效Anchor對應大量沒有價值的負樣本。
- 對於 one-stage 來講，可以通過 focal loss 一定程度上解決採樣不均衡的問題，但的確只是一定程度；
- 對於 two-stage方法來講，RPN機制保證了比 one-stage 更好的效果，3×3的Anchor 包含了大量尺度、ratio不合理的樣本，雖然按照1：3的比例做樣本過濾，但通常基於隨機策略或按照一定的簡單規則，篩選能力有限。
思想其實很簡單，很多人都能想的到，理想的 Anchor 可以通過特徵語義來輔助生成，也就是接下來要講的 Guided Anchoring ，先看框架圖（原文）：
特徵金字塔就不說了，只看右側的 Anchor 生成過程（藍色框）：輸入是一張特徵圖Fi，輸出是調整後的特徵圖 Fi‘。