目标检测（二）

单阶段检测器
(1）yolo
1）网格式的检测方式
2）综合整张图的信息预测各个位置的物体
3）yolo（2015）， yolo9000(2016)
(2) ssd
1)吸纳两阶段检测器的优秀设计，并进行改良
2）ssd(2015),dssd(2017)
(3)retinanet(2017)
1)大幅度提升单阶段检测器的精度

yolo
（1）方法：
1）将图像划分成网格，在每个网格中预测物体边框
2）每个物体边框的预测都以整张图的特征作为输入

3）检测精度与速度：在gpu上最快能达到155fps
4）存在问题：小尺度物体，密集排布的物体，检测框的准确性
ssd
（1）single-shot
1)单阶段：不生成候选窗口，直接给出检测结果
2）如何保证精度？对不同长宽比的物体，用不同的predicator；多尺度：在不同尺度的特征图上进行预测



dssd
(1)动机
1）为更小目标增加更多上下文信息：将深层特征和浅层特征相融合；深层特征具有较大感受野，能够提供上下文信息


dssd在最后进行反卷积
（2）方法：类别和边框：改进的预测模块；特征融合（浅层与深层）

（3）实验：类别和边框的预测：带跨层连接的预测模块更好；特征融合：相乘比相加更好；速度与精度的比较
retinanet
1）问题：单阶段检测器在精度上通常落后于两阶段检测器；主要原因：样本不平衡：1）背景区域远多余物体区域2）大部分背景很容易和物体区分开来：对模型学习只能提供非常有限的指导，数量上占主导->学习到不好的模型
2）现有办法：难以挖掘，只使用部分的样本
3）解决方案：focal loss:使用所有样本，但是对样本给予不同的权重

4）实验：和单阶段检测器相仿速度；超过两阶段检测器的检测精度

总结：