检测算法阶段性总结（1）

截止日期：2019.6.26

当前的检测算法可谓是人才辈出，我菜只能仰望。
当前主流的模式主要分为三大类

1. 单阶段：代表有SSD、YOLO，retinanet。
2. 多阶段的：代表有Faster-Rcnn，Cascade RCNN。
3. 基于点的：代表有FCOS，FSAF

一、单阶段

单阶段的始于YOLO，其主要思想是通过在最后的feature上取anchor来获取最终的检测结果。

ssd对其进行改进，采取层次多尺度来做。

单阶段检测算法有个缺点，那就是样本不均衡，对于样本不均衡的问题，retinanet做出了改进，提出了Focal loss

二、多阶段

最经典的当属Faster-RCNN

后面对其改进主要集中在rpn和head上，当然roi pooling也是其中一块
对于多阶段的FPN，不再阐述
对roi pooling做改进的是R-FCN，k表示roi pooling大小，

对于rpn的改进有几种情况
比如自动生成anchor
Region Proposal by Guided Anchoring

Libra R-CNN balance 的选择样本

对head 的改进如
CascadeRCNN，多阶段的rpn

自动选择层次的FSAF

三、基于点的检测

CornerNet基于边界点的检测。

基于中心点的FCOS

四、 Tricks

样本均衡问题：

解决困难样本的OHEM
From： https://blog.csdn.net/u012426298/article/details/81773319
将Fast RCNN分成两个components：ConvNet和RoINet. ConvNet为共享的底层卷积层，RoINet为RoI Pooling后的层，包括全连接层；

2 对于每张输入图像，经前向传播，用ConvNet获得feature maps（这里为RoI Pooling层的输入）；

3 将事先计算好的proposals，经RoI Pooling层投影到feature maps上，获取固定的特征输出作为全连接层的输入；

     需要注意的是，论文说，为了减少显存以及后向传播的时间，这里的RoINet是有两个的，它们共享权重，

     RoINet1是只读（只进行forward），RoINet2进行forward和backward：

a 将原图的所有props扔到RoINet1，计算它们的loss（这里有两个loss：cls和det）；

b 根据loss从高到低排序，以及利用NMS，来选出前K个props（K由论文里的N和B参数决定）

为什么要用NMS? 显然对于那些高度overlap的props经RoI的投影后，

 其在feature maps上的位置和大小是差不多一样的，容易导致loss double counting问题

c 将选出的K个props（可以理解成hard examples）扔到RoINet2，

     这时的RoINet2和Fast RCNN的RoINet一样，计算K个props的loss，并回传梯度/残差给ConvNet，来更新整个网络

以及之前提过的Focal loss
以及 Gradient Harmonized Single-stage Detector

每个区间求梯度平均，着重处理中间低密度样本。

注意力机制

DCN系列，修改conv操作

non-local，计算两个点的关联关系

GCNet，赋予不同通道的权重。

LOSS

用低分代替NMS的去除操作。

修改IOU 的GIOU

假如现在有两个任意性质 A，B，我们找到一个最小的封闭形状C，让C可以把A，B包含在内，然后我们计算C中没有覆盖A和B的面积占C总面积的比值，然后用A与B的IoU减去这个比值：

五、 轻量化

SkyNet: A Champion Model for DAC-SDC on Low Power Object Detection