目标检测anchor base/anchor free/two stage/one stage的发展流程

目标检测的发展思路

原始思路：切分后分类。

如何解决边界物体无法检测的问题：

如何解决定位不准确的问题：增加边界框回归任务

如何解决目标的多尺度问题：两个方法：多尺度滑窗和图像金字塔。二者能达到相同效果，实现方法不同。

以上过程存在的问题：需要分类的图像太多，效率低下。

如何解决：SS算法。最后只生成几十个或者几百个提议框，只针对这几个框做分类和回归。

于是产生了RCNN：首先通过区域提议找出可能包含物体的框，对于每一个提议区域，将其拉伸或者缩放到固定的尺寸，送入卷积神经网络得到其特征，最后通过卷积神经网络对框进行修正和进一步的分类。因为RCNN包含两个步骤，因此也叫两阶段算法。

模型中哪些模块是需要学习的：卷积神经网络主干、分类器和回归模型。

如何生成分类和回归的目标值？

边界框编码：回归目标可能非常大或者非常小，不利于模型的预测。

关于交并比：

原始的RCNN训练方法：

两阶段算法的演变：

RCNN的效率问题：

共享特征计算：如果特征图是原图的1/8或者1/32，则将原始的提议框缩小到1/8或者1/32到特征图上。

Fast RCNN：流程如下，Fast就是1和2，RCNN就是3。

在Mask RCNN中，提出了用ROI Align替代ROI pooling：

Fast RCNN的训练：

Fast RCNN的问题：产生提议框的时间成为瓶颈。

改进方法：区域提议网络(RPN)

解决多尺度：

Faster-RCNN：

Faster-RCNN的训练：

解决小物体目标丢失：

Faster rcnn中融入FPN：（重点）

关于MMdetection：

Neck：FPN DenseHead:RPN

总结两阶段目标检测算法：

单阶段目标检测：

单阶段目标检测算法的发展：

Yolo(2015)：

yolo的损失计算：

yolo的检测精度相比faster rcnn精度要低：

yolov2：和fasterrcnn的方法比较类似

yolov3：可以多尺度预测

SSD的多尺度特征图和FPN比较类似，但是没有特征融合，多个特征图可以帮助SSD在不同尺寸物体的检测上有比较好的提升：

SSD的检测头：

SSD的训练：

正负样本不均衡：

解决方案：

困难负样本：

困难负样本挖掘解决样本不均衡：

Focal loss解决样本不均衡：

无锚框算法：

FCOS：

FCOS的损失函数：

总结：