目标检测papers改进点汇总

博主一直在学习计算机视觉的目标检测方向，在CVPR2019发布接收的论文后，出现了好多anchor-free的目标检测算法，之前大多数都是anchor-based的检测算法，但是限于one-stage中基于anchor的密集采样，存在极度不均衡的正负样本问题以及anchor尺寸、长宽比等多个超参数的合理设置问题等缺点，所以anchor-free算法的再次回归算是一种轮回吧！

目前的anchor-free据我所知可以分为基于关键点和基于中心区域的检测从而产生bounding box。

一种代表是CornerNet、ExtremeNet，将人体姿态关键点检测的思想带到目标检测中来（证明计算机视觉各个子领域都是相通的，可以相互借鉴），但是这种显然有点大材小用，使用Hourglass沙漏网络去提取关键点，计算量太大，更何况这种bottom-up的思想中关键点如何进行合理分组也是一个问题。

还有一种得益于focal loss的出现，增强了对于中心区域的特征有效提取，所以出现了DenseBox、FASF、Fcos、FoveaBox等基于中心区域进行bbox生成的思想。

此外，还有一种将分割领域扩展到目标检测领域，尝试利用分割做检测，效果挺好的！但是因为博主对分割了解甚少，所以正在补习功课中。。。

最后，放上一张我自己总结的思维导图，对近年来目标检测papers中改进点进行较为直观的描述，在这里说明一下，博主只是一个小菜鸡，以上都是一些自己的个人总结，如果错误，欢迎评论纠正。

这个导图是博主用Xmind自己绘制的，如果想要原版文件的话可以点击百度云

链接：https://pan.baidu.com/s/10HeLmfwg6bJ0rHFUpwjfvA 
提取码：zax4