目标检测算法综述，包括two-stage，one-stage，anchor-free等（未完）

2019年初的目标检测算法综述：Object Detection in 20 Years: A Survey

本文只讲基于深度学习的主要算法。

前言

如图，深度学习算法之后的目标检测算法主要有两个分支，two-stage和one-stage算法。

two-stage算法主要是RCNN系列，包括RCNN, Fast-RCNN，Faster-RCNN，其中RCNN和Fast-RCNN之间过渡了一个SPPNet。之后在Faster-RCNN框架的基础上，又出现了更好的backbone网络Pyramid Networks。之后的Mask-RCNN融合了Faster-RCNN架构、ResNet和FPN（Feature Pyramid Networks）backbone，以及FCN里的segmentation方法，在多完成了segmention的同时也提高了detection的AP。

one-stage算法最早是YOLO（后面又更新了YOLO2，YOLO3），该算法速度极快，AP也极低。之后出现了速度和AP兼具的SSD（在SSD基础上又出现了DSSD，RefineNet，RFB-SSD，FSSD等改进网络）。还有解决了one-stage算法里正负样本极不平衡问题的Retina-Net。

two-stage算法和one-stage算法的区别在于，two-stage算法会先使用一个网络生成proposal，如selective search和RPN网络，前者是基于一些人造特征来的，RPN是一个也需要进行训练的网络，RPN出现后，ss方法基本就被摒弃。RPN网络接在图像特征提取网络backbone后（和之后的fast-RCNN网络架构共用特征提取层），会设置RPN loss（bbox regression loss+classification loss）对RPN网络进行训练，RPN生成的proposal再送到后面的网络中进行更精细的bbox regression和classification。One-stage追求速度舍弃了two-stage架构，即不再设置单独网络生成proposal，而是直接在feature map上进行密集抽样，产生大量