【百度目标检测7日打卡营】目标检测学习总结

目标检测之前只用过yolo算法，训练的不是很好，没有系统的学习，经过百度训练营的系统基础的学习，对目标检测概念及其算法有了深入的了解，不过短期内不再进行CV的研究，回归NLP，因此对现阶段的目标检测进行总结，感谢百度提供的训练营，及其百度讲师和班主任芮芮

算法近20年发展：https://arxiv.org/abs/1905.05055

RCNN 算法：

两阶段RCNN：区域选择+检测（分类+定位）

Fast-RCNN :

     1. 引入RoI Pooling操作，解决重复特征提取问题

     2. 将分类和回归损失统一在同一个框架中

     3. 通过SS(Selective search)提取候选框，速度慢，不是端到端

Faster-RCNN 

      1. 通过RPN（Region proposal network）学校候选区域

      2. 提高了精度，速度快

Anchor(锚框)：

      1. 预先设定好比例的一组候选框集合

       2. 滑动窗口提取

Anchor Based Methods:

      1. 使用Anchor提取候选目标框

      2. 在特征图上的每一个点，对Anchor进行分类和回归

Anchor-Based方法：两阶段：

       1. 先使用anchor回归候选目标框，划分前景和背景

        2. 使用后悬目标框进一步回归和分类，输出最终目标框和对应的类别

 R-CNN : RCNN、Fast-RCNN、FasterRCNN

FPN：CascadeRCNN 、LibraRCNN

FPN、CascadeRCNN

      Anchor-Based方法：一阶段：

                         直接对anchor 回归和分类最终目标框的类别

                         算法：YOLOv2,YOLOv3

                                    SSD、RetinaNet

Anchor 缺点：

                         手工设计            1. 设置多少个？设置多大？2.长宽比如何设置

                         数量多                1.如何解决正负样本不均衡问题

                         超参数

AnchorFree方法：

                            不再使用预先设定的anchor,通常通过预测目标中心或者角点，对目标进行检测

                          基于多关键点联合表达的方法：

                                   1. CornerNet/CornerNet-lite

                                   2. CenterNet:Keypoint Triplets for Object Detection

                                   3. RepPoints

                          基于中心区域预测的方法：

                                   1. FCOS

                                   2. CenterNet:Objects as Points

        https://github.com/rafaelpadilla/Object-Detection-Metrics

    NMS:非极大值抑制，Non-Maximum Suppression

              

R-CNN：

R-CNN 网络结构：