如何理解 “Dense object detection“中的dense？

1. 第一大类是 从非Deep时代就被广泛应用的dense detector ，例如DPM，YOLO，RetinaNet，FCOS。在dense detector中，大量的object candidates例如sliding-windows，anchor-boxes， reference-points等被提前预设在图像网格或者特征图网格上，然后直接预测这些candidates到gt的scaling/offest和物体类别。
2. 第二大类是 dense-to-sparse detector ，例如R-CNN家族。这类方法的特点是对一组sparse的candidates预测回归和分类，而这组sparse的candidates来自于dense detector。
3. 彻底的sparse框架，例如：Sparse R-CNN

detector

dense detector

在Focal Loss for Dense Object Detection 这篇文章中有提到dense object detection。

anchor在图像上每一个位置密集地平铺，进而采集各种尺寸、大小比例的样本，采集到的这些样本不会经过过滤，而是无差别地送入分类器（区分前后景）和回归器（回归精确位置）进行处理。根据这个特征，目前大部分的一阶段检测器都是dense object detector。

dense-to-sparse detector

二级检测器在第一阶段会精选出高质量的样本（数量远远小于一级检测器的样本，一般数量在1-2k），然后再送入第二阶段的模型中进行分类和回归。所以一般二级检测器为非dense object detector。