目标检测算法综述笔记

主要参考两篇综述论文
Object Detection in 20 Years: A Survey
Recent Advances in Deep Learning for Object Detection

csdn上有翻译版，对照这翻译版，能够更快的理解，注意如果是菜鸟，最好review三遍，三遍是我从高中时期总结出来的高效学习方法，大学和工作后也一直在实践．
https://blog.csdn.net/clover_my/article/details/92794719

以下是阅读时，记录的一些问题．

目标检测难点有哪些
光照，尺度，姿态，遮挡，精细定位（这个应该属于分割要解决的事情），实时性，负样本挖掘

精简历史

• VJ detector，了解adaboost原理，另外区分清楚xgboost, gbdt区别，

• HOG+SVM

• DPM，这里面已经有bounding box regression, hard negative sample mining, context priming，我记得还有个积分通道特征，该文章在speed up部分提到了下．

• 经典网络结构，lenet5, alexnet, vgg, inception, resnet，densenet, senet由于有了强大的网络可以学习到物体的特征(feature map)，后面衍生出一些基于深度学习的目标检测方法

• two stage

  • faster RCNN, 需要细致分析网络结构
  • FPN,

• one stage

  • yolo, 要了解v1,v2,v3的改进
  • ssd
  • retina-net

  multi-scale问题

  • 特征金字塔+滑动窗
  • object proposal
  • bounding box regression
  • multi reference & multi resolution

hard negative mining

• bootstrap
• focal loss

speed up

• 特征减少空间(权值共享)和尺度（特征金字塔）冗余
• 加速分类器
• 级联检测
• 网络剪裁和量化
• 轻量化网络设计
  　- 分解卷积
  　- Group Convolution
  　- Depth-wise Separable Convolution
  后面的我就不熟悉了，