目标检测_图解目标检测

这里列出了《图解目标检测》系列所有的文章，供大家阅读。

本系列以FastRCNN和FasterRCNN为入门材料，然后对Anchor做了详细的分析和对比，接着分析了Anchor-Free、detr两类后续新方法，以及目标检测中特征对齐，label assignment等至关重要的问题。

总而言之，这系列文章主要侧重于目标检测相关的经典最新文章解读、方法问题总结等等，也会持续进行更新。也请大家关注微信公众号：AI约读社。

---

《图解目标检测》系列之一：图解 Fast RCNN & RoI Pooling

《图解目标检测》系列之二：图解 Faster R-CNN & RPN

《图解目标检测》系列之三：图解RoI Align & RoI Warp

《图解目标检测》系列之四：目标检测中的Anchor机制回顾

《图解目标检测》系列之五：目标检测Anchor的What/Where/When/Why/How

《图解目标检测》系列之六：目标检测中的Anchor-free回顾

《图解目标检测》系列之七：DETR：使用transformer做检测

《图解目标检测》系列之八：目标检测中的Feature Alignment

《图解目标检测》系列之九：目标检测中的Label Assignment

《图解目标检测》系列之十：目标检测中样本的正负难易

《图解目标检测》系列之十一：NAS for Detection

《图解目标检测》系列之十二：Semi-Supervised Learning for Object Detection

---

深度学习时代，目标检测领域涌现了大量的算法，发展历程如下，因为算法太多而篇幅有限，只能选择部分代表作：

• RCNN Family：RCNN是目标检测领域的一项杰出成果，它证明了使用深度神经网络的有效性，现在发展了一个庞大Family。例如：Faster RCNN、Mask RCNN等
• SSD & YOLO Family：与两阶段方法（如RCNN Family）相比，这些模型跳过了region proposal（区域建议）阶段，直接从特征映射中提取检测结果。因此，单级模型速度更快，适合算力有限的device。
• Anchor Free：2019年，Anchor Free的方法大爆发，并且取得了不错的成果。Anchor Free，其实可以看做是Single Anchor，每个object只有一个 anchor，对这个anchor进行类别分类、box和offset回归。不过有些anchor free的方法没有做offset，从这点来看，这些算法关注的是本身，而不是single anchor。Anyway，AnchorFree还是避免了anchor method中繁琐的anchor decoded操作。
• DeTr：NLP领域工作者都知道，2018年transformer带来了多大的影响。transformer取得了不错的效果，基本上取代之前的model。CV看起来不像是transformer的领域，但仍然取得了不错的成绩，并解决了目前目标检测无法解决的问题。所以，重要性不言而喻。用一个词来形容DeTr：Elegant。因为再也无需设计anchor，添加NMS后处理等等。

目标检测的Method和Tricks

---

欢迎关注：AI约读社