目标检测选介

anchor 主要是解决两个问题：1.scale和aspect ratio不变性，适应不同尺度的目标。2.降采样后可能出现目标bbox重叠现象

对于 scale和aspect ratio不变性，还有其它的解决方法：image pyramid 和 feature pyramid。feature pyramid后面出现了FPN，之后SSD、RetinaNet、YOLO v3都用了FPN的思想

Cassade RCNN

Quality Mismatch问题，这里作者第一个关键的发现是在classification中，指定不同的IoU划分正负样本，会导致bbox reg的行为完全不一样。如下图左，横轴是输入的proposal的IoU，纵轴是经过bbox reg之后的bbox和ground-truth的IoU。可以看到，低IoU threshold对于低IoU的样本有更好的改善，但是对于高IoU的样本就不如高threshold的有用。原因在于不同threshold下样本的分布会不一致，也就导致同一个threshold很难对所有样本都有效。

SNIP 算法笔记

数据分布

解决方法：facal loss，anchor ，feature pyramid

one stage detector中的一个核心问题：框和对应feature的misalignment

理解：高层与低层的feature map 得到的尺寸和数量不同，仅仅利用size来决定哪些feature map来检测物体导致的misalignment

解决方法：[CVPR2019]:FSAF for Single-Shot Object Detection

ROI Align的作用

基于双线性插值的方法，利用feature map上距离采样点最近的四个像素得到其像素值

优化的目标与inference设置的不一致性（misalignment between the optimization target and inference configurations）

解决方法：Consistent Optimization for Single-Shot Object Detection

目标检测之奇技淫巧

Focal Loss 定义

目标检测算法中one-stage方法中为了解决正负样本不均衡，除了focal loss和OHEM还有什么方法？

解决方法：目标检测小tricks--样本不均衡处理

目标检测one-stage方法中anchor预测出的位置是有偏移量的，而类别置信度是针对原始位置的特征并不是偏移后的特征，提出解决办法。

解决方法：Consistent Optimization for Single-Shot Object Detection - 你的anchor用对了吗？

FPN多尺度层中的box如何进行ROIpooling？

fasert rcnn中rpn改成ssd如何改进，如何选择特征层做roi

resnet：人们发现当模型层数增加到某种程度，模型的效果将会不升反降。也就是说，深度模型发生了退化（degradation）情况。减少梯度损失，稳定梯度防止弥散

样本不均衡处理

OHEM、S-OHEM、A-Fast-RCNN、Focal Loss、GHM