目标检测模型及其优化方法

目标检测现况

两阶段、单阶段。
新：对象关键点：

[11] Law H, Deng J. CornerNet: Detecting objects as paired keypoints. In: Proceedings of the 2018 European Conference on Computer Vision (ECCV). Munich, Germany: Springer, 2018.
765−781
[12] Zhou X Y, Zhuo J C, Krähenbühl P. Bottom-up object detection by grouping extreme and center points. In: Proceedings of
the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Long Beach, CA, USA: IEEE, 2019.
850−859
[13] Zhou X Y, Wang D Q, Krähenbühl P. Objects as points. arXiv:
1904.07850, 2019
[14] Yang Z, Liu S H, Hu H, Wang L W, Lin S. RepPoints: Point set
representation for object detection. In: Proceedings of the 2019
IEEE/CVF International Conference on Computer Vision (ICCV). Seoul, Korea: IEEE, 2019. 9656−9665

目标检测模块

主干网络（浅层卷积、深层卷积）、颈部连接层、锚点、区域特征编码、分类与定位头部和损失函数

优化

主干网络：

提取且传递能力有限——残差网络+Inception（残差网络的参数共享，宽度）
特征图与通道
特征图上，任一点与全局的关系——图像注意力机制的非局部网络（增强目标特征）

颈部连接：多特征融合技术：特征金字塔模型——FPN
特征融合支路——PAnet自下向上结构
沙漏式网络结构：
**
高分辨率网络

锚点

非极大值抑制算法的优化

交并比算法

正负样本采样

分类与定位

上下文信息

多尺度预测方法——不同分辨率的特征图

损失函数——量化错误
分类与定位（置信度

《自动化学报》 目标检测模型及其优化方法综述
蒋弘毅 王永娟 康锦煜