Faster R-CNN简析
第一阶段:产生候选区域
使用 Anchor替代 Selective search,选取候选区域
选出包含物体的 Ancho进入Rol Pooling提取特征
第二阶段：对候选区域进行分类并预测目标物体位置
RPN
结构：
训练：
1.向RPN网络输入一个监督信息,判断 Anchor.是否包含物体。
Anchor包含物体-正样本
Anchor不包含物体-负样本
2.根据Anch和真实框loU取值,判断正or负样本
正样本:
与某一真实框loU最大的 Anchor
与任意真实框loU>07的 Anchor
负样本:
与所有真实框的loU<0.3的 Anchor
3.采样规则:
共采样256个样本
从正样本中随机采样,采样个数不超过128个
从负样本中随机采样,补齐256个样本
loss
生成Proposals
RoI pooling
候选框分为若干子区域,将每个区域对应到输入特征图上，取每个区域内的最大值作为该区域的输出。
不足：
在两次取整近似时，导致检测信息与提取出的特征不匹配
解决：RoI Align
BBox Head
补充
Q：请分别列举你所认为的当前最先进的目标检测方法，并解释为什么该方法的是当前最先进的方法？在原理上，该方法做了什么创新？
EfficientDet
来自[1911.09070] EfficientDet: Scalable and Efficient Object Detection (arxiv.org)
主要贡献点是BiFPN和Compound scaling方法，具体我也没有精读，下面是我对其直观的理解。
BiFPN是在FPN的基础上对其进行改进，对原始的FPN模块又添加了添加上下文信息的边，并对每个边乘以一个相应的权重。
Compound scaling方法是一种复合特征金字塔网络缩放方法，统一缩放所有backbone的分辨率、深度和宽度、特征网络和box/class预测网络。
今年的单阶段算法TOOD（来自[2108.07755] TOOD: Task-aligned One-stage Object Detection (arxiv.org)），在COCO数据集上刷新了单阶段目标检测新纪录，但我还没有去了解。
特征金字塔网络缩放方法，统一缩放所有backbone的分辨率、深度和宽度、特征网络和box/class预测网络。
今年的单阶段算法TOOD（来自[2108.07755] TOOD: Task-aligned One-stage Object Detection (arxiv.org)），在COCO数据集上刷新了单阶段目标检测新纪录，但我还没有去了解。
