CVPR论文阅读：《D2Det: Towards High Quality Object Detection and Instance Segmentation》

创新点

1、提出一种新的 Two-stage 检测方法——D2Det；
2、引入稠密局部回归（dense local regression），并通过二值重叠预测策略（binary overlap prediction strategy）进一步将其改进。解决了精确定位问题；
3、引入一种判别型 Rol pooling 方案，解决了精准分类的问题。

摘要撰写

1、提出了什么方法；
2、陈列并简述方法的创新点，不给予扩展；
3、说明数据集出处➡将新方法与就方法对比➡摆出实验数据➡套话结束。

1 我们的方法（第三部分）

给出总体框架，有逻辑性的陈述理论工作

新方法的原型是 Faster R-CNN，与 Faster R-CNN 不同的是：

• 采用独立的分类与回归方案；
• 用稠密局部回归代替 Faster R-CNN 的框偏置回归（精确定位目标）；
• 用discriminative Rol pooling改进proposal方案的分类（精确分类目标）。

1.1 稠密局部回归

稠密局部回归方法将k×k维的 RoI 特征视为k^2个空间相邻的局部特征其中一个局部特征（我的想法是对k×k个像素点都有对应的一个局部特征，而且这个k×k的框就是经过RPN的，所以背景占比极少，大部分pi都能进行微调）。对应下图的右下角到右上角

但是，局部特征的数量取决于 candidate proposal P 和 G 的重合度，但是即使重合度高的时候，也会有非目标特征(例如背景特征)出现在这 k^2个局部特征中。

为了避免这个情况，运用二元重叠预测来对每个局部特征进行分类：