截止日期：2019.6.26
當前的檢測算法可謂是人才輩出，我菜只能仰望。
當前主流的模式主要分爲三大類
- 單階段：代表有SSD、YOLO，retinanet。
- 多階段的：代表有Faster-Rcnn，Cascade RCNN。
- 基於點的：代表有FCOS，FSAF
一、單階段
單階段的始於YOLO，其主要思想是通過在最後的feature上取anchor來獲取最終的檢測結果。
ssd對其進行改進，採取層次多尺度來做。
單階段檢測算法有個缺點，那就是樣本不均衡，對於樣本不均衡的問題，retinanet做出了改進，提出了Focal loss
二、多階段
最經典的當屬Faster-RCNN
後面對其改進主要集中在rpn和head上，當然roi pooling也是其中一塊
對於多階段的FPN，不再闡述
對roi pooling做改進的是R-FCN，k表示roi pooling大小，
對於rpn的改進有幾種情況
比如自動生成anchor
Region Proposal by Guided Anchoring
Libra R-CNN balance 的選擇樣本
對head 的改進如
CascadeRCNN，多階段的rpn
自動選擇層次的FSAF
三、基於點的檢測
CornerNet基於邊界點的檢測。
基於中心點的FCOS
四、 Tricks
樣本均衡問題：
解決困難樣本的OHEM
From： https://blog.csdn.net/u012426298/article/details/81773319
將Fast RCNN分成兩個components：ConvNet和RoINet. ConvNet爲共享的底層卷積層，RoINet爲RoI Pooling後的層，包括全連接層；
2 對於每張輸入圖像，經前向傳播，用ConvNet獲得feature maps（這裏爲RoI Pooling層的輸入）；
3 將事先計算好的proposals，經RoI Pooling層投影到feature maps上，獲取固定的特徵輸出作爲全連接層的輸入；
需要注意的是，論文說，爲了減少顯存以及後向傳播的時間，這裏的RoINet是有兩個的，它們共享權重，
RoINet1是隻讀（只進行forward），RoINet2進行forward和backward：
a 將原圖的所有props扔到RoINet1，計算它們的loss（這裏有兩個loss：cls和det）；
b 根據loss從高到低排序，以及利用NMS，來選出前K個props（K由論文裏的N和B參數決定）
爲什麼要用NMS? 顯然對於那些高度overlap的props經RoI的投影后，
其在feature maps上的位置和大小是差不多一樣的，容易導致loss double counting問題
c 將選出的K個props（可以理解成hard examples）扔到RoINet2，
這時的RoINet2和Fast RCNN的RoINet一樣，計算K個props的loss，並回傳梯度/殘差給ConvNet，來更新整個網絡
以及之前提過的Focal loss
以及 Gradient Harmonized Single-stage Detector
每個區間求梯度平均，着重處理中間低密度樣本。
注意力機制
DCN系列，修改conv操作
non-local，計算兩個點的關聯關係
GCNet，賦予不同通道的權重。
LOSS
用低分代替NMS的去除操作。
修改IOU 的GIOU
假如現在有兩個任意性質 A，B，我們找到一個最小的封閉形狀C，讓C可以把A，B包含在內，然後我們計算C中沒有覆蓋A和B的面積佔C總面積的比值，然後用A與B的IoU減去這個比值：
五、 輕量化
SkyNet: A Champion Model for DAC-SDC on Low Power Object Detection
