【目标检测】One-stage/Two-stage/Anchor Free

参考链接 ：
https://www.zhihu.com/question/266143762/answer/304172590
https://blog.csdn.net/JNingWei/article/details/80039079 图很清晰
https://blog.csdn.net/nwu_nbl/article/details/81110286

Two-stage

R-CNN，SPPNet，Fast R-CNN，Faster R-CNN，R-FCN，FPN，Mask R-CNN等

two-stage检测器包括两个步骤：

• 第一步，使用RPN生成anchor并对anchor做筛选，过滤掉很多的负样本proposals，生成稀疏的proposals；
• 第二步，进行分类和回归，对选择的proposals，使用roi pooling等操作，进一步的精细化，因此得到的框更加精准。（比如，一个anchor有可能只覆盖了一个目标的50%，但却作为完全的正样本，因此其预测肯定是有误差的。）

One-stage

OverFeat，YOLO，YOLOv2，YOLOv3，SSD，DSSD，DSOD，RetinaNet等

One-stage检测器步骤：
在指定特征图上，对每个位置，使用不同scale、不同长宽比密集采样生成anchor（没有对这些anchor进行筛选），直接进行分类和回归。主要优点是计算效率高，但是，检测精度通常落后于Two-stage方法。

【注意】：yolo没有anchor，使用单个神经网络直接预测object的类别和位置。

【One-stage精度低】：
原因：
主要原因是类别不均衡问题（因为没有对负类的anchor进行删除）。
解决方案：
为了改善类别不均衡问题，RetinaNet提出了Focalloss重建标准交叉熵损失，降低easy sample的权重，增加hard sample的权重。

【One-stage对小物体检测不好（没有Two-stage好）】：
原因：
如果所有的anchor都没有覆盖到这个目标，那么这个目标就会漏检。如果一个比较大的anchor覆盖了这个目标，那么较大的感受野会弱化目标的真实特征，得分也不会高。two-stage算法中的roi pooling会对目标做resize, 小目标的特征被放大，其特征轮廓也更为清晰，因此检测也更为准确。
解决方案：

• 最直接的提升就是增大input size（但是不能一味的增大，因为会让后面的特征量增大，时间增多，失去One-stage的速度优势）
• 借鉴FPN，把深层特征通过反卷积，然后通过skip pooling来结合底层的特征层。（结合的方式上有： concat, pixel-wise sum/ add等）（这样做的好处是，只用SSD的话虽然用了底层特征图，但是底层语义特征比较弱，处理小物体时效果表现的不好）
• 空洞卷积增加感受野（TridentNet）
• attention机制（One-stage中目前用的好像比较少）

Two-Stage和One-Stage方法的结合

RON，RefineDet等

RefineDet（CVPR2018） https://blog.csdn.net/u014380165/article/details/79502308
RefineDet是one-stage和two-stage的结合，FPN和SSD的结合。 由三个模块构成：

• anchor refinement module (ARM) ——类似于RPN，用来生成anchors并过滤
• transfer connection block (TCB)——类似于FPN，做特征转换，将ARM的输出转换成ODM的输入，
• object detection module (ODM)——类似于SSD，融合不同层特征，做multi class classification和regression。

One-stage和Two-stage的比较

【个人理解】two-stage的好处在于第一步是将anhor生成出来，经过了筛选，第二步是使用roi pooling之后再进一步的精细化，因此更加精准。

• two-stage检测算法将检测问题划分为两个阶段，第一阶段产生候选区域（region proposals）（并筛选），然后对候选区域分类（一般还需要对位置精修）
• one-stage检测算法，anchor产生后，直接用于后续的分类和回归。没有经过筛选。

Anchor-Free

DenseNet(百度2015)，CornerNet(ECCV2018)，ExtremeNet（CVPR2019）、FSAF（CVPR2019）、FCOS（CVPR2019）等

https://zhuanlan.zhihu.com/p/62103812
https://zhuanlan.zhihu.com/p/62372897

Guided Anchoring

Guided Anchoring可以说是anchor-free和anchor-based结合
对于anchor-based检测器而言，anchor的选取很重要，anchor需要能够尽可能多的覆盖所有的目标尺寸和宽高比，在检测的过程中，每个检测器只负责预测尺寸和宽高比与之相近的物体。
anchor是事先选择的。它们是恒定的，在训练期间不会改变。
（PS：每个边界框回归称为一个检测器）

现在有一种新的方式，就是让检测器自己学anchor——guided anchor
Guided Anchoring: 物体检测器也能自己学 Anchor https://zhuanlan.zhihu.com/p/55854246