目标检测经验总结

任务分类

1. 通用目标检测
2. 特定任务目标检测：
   
   • 人脸检测
   • 文本检测
   • 航拍图检测
   • 车辆/行人检测

骨干网络

1. 高性能网络：
   
   • Inception v1/v2/v3/v4
   • VGG
   • Resnet
   • Inception Resnet
   • DPN
   • DenseNet
2. 高效网络：
   
   • NIN
   • Darknet
   • SqueezeNet
   • ENet
   • Xception
   • ResNext
   • MobileNet
   • ShuffleNet
3. 新增功能单元：
   
   • Batch Norm
   • STN
   • FPN
   • Deformable CNN
   • SENet

检测框架

单级单尺度

1. YOLO v1
2. YOLO v2

二级单尺度

1. SPP-Net
2. Fast-RCNN
3. Faster R-CNN
4. R-FCN
5. PVANET

单级多尺度

1. SSD
2. DDSD
3. RON
4. DSOD

二级多尺度

1. ION
2. SDP
3. HyperNet
4. MSCNN
5. FPN

实例检测分割

1. Mask-RCNN
2. MaskLab

Loss优化

1. OHEM
2. Focal loss

可变形部件模型

1. Deformable CNN
2. DP-FCN

级联检测模型

1. Cascade CNN
2. CC-Net
3. Cascade R-CNN

发展趋势

1. 视频检测
2. 半监督/无监督检测
3. 3D目标检测
4. 模型压缩（裁减，量化，教师网络）
5. 5.

经验总结

1.大目标检测效果较差：增加降采样倍数，增大网络感受野，增加大anchor尺寸
2.小目标过滤会对模型检测效果有所提升
3.多尺度信息融合对目标检测效果会有提升