Object Detection的一些进展(Valse2020.4.30)

• 目标检测的定义

给定一幅图像，判断出其是否存在感兴趣区域， 如果存在，则给出感兴趣区域物体的类别和位置。

• 目标检测的大类

根据anchor可分为anchor-based和anchor-free。

1. anchor-based：one-stage 和two-stage。（two-stage中最耗时的是roi-pooling）
2. anchor-free：center-based和keypoint-based。

 

（1）anchor-based-RefineDet：

one-stage速度快但精度低，two-stage速度慢但精度高，根据分析，其实two-stage最耗时的地方时roi-pooling。于是RefineDet为了中和速度和精度，提出了一个1.5stage 的目标检测算法。

ARM与RPN类似，过滤掉背景proposal，TCN类似FPN的模块，ADM

  

TCB模块其实类似FPN，只是稍微有所不同。

 AlignConv：

（2）anchor-free思考——ATSS（Adaptive Training Sample Selection ）策略：

 作者通过分析anchor-based和anchor-free的方法的跟别差别发现了采样对anchor-based方法的重要性。

其中，作者比较了RetinaNet（anchor-based）和FCOS（anchor-free）两个方法，发现他们俩在正负样本采样的时候有区别，虽然回归方式的时候也有些差异，但是points回归和anchor回归对算法差异不大，因此作者基于正负样本的采样方式提出了ATSS策略。

 ATSS策略思想:

每次在FPN每层根据anchor的中心点和gt的中心点的IOU的距离选取k个anchor，然后计算这些k个anchor和gt的IOU的距离的均值和方差。根据经验值选取均值和方差作为阈值进行候选，对这些anchor进行丢掉（负样本）或者保存（正样本）。

 结论：对于目标检测，合理的正负样本回归其实是影响目标检测效果的根本原因，回归的时候不管是哪种回归loss其实影响不大。