- 深度学习和传统目标检测的区别
- 1-stage 目标检测和 2-stage 目标检测
- anchor-based 和 anchor-free 目标检测
- 典型模型简介
相关论文：
Li Liu et al.: Deep Learning for Generic Object Detection: A Survey
深度学习和传统目标检测的区别
为什么目标检测很难目标检测解决的是（图片）数据中有什么，在哪里的问题，也就是分类，定位，和确定范围，可以由confidence置信度，中心位置坐标 x,y和范围 w, h表示结果。
如上图所示，很难确定由哪些特征来决定结果，传统的目标检测方法会手工设定一些比如Haar-like特征：
这些基本的黑白块对于人脸很高效，但是不通用
而深度学习是由AI自己学习目标的特征。以下面的LeNet为例， 用卷积核（检测器）遍历图片，每个卷积核生成一张特征图，再在特征图上接着重复池化卷积，提取到的就是越来越高级的特征（特征图的特征），最后用全连接网络作为分类器输出10个置信度confidence（0~9）。
经典的手写数字识别网络LeNet-5
CNN的常规操作1-stage 目标检测和 2-stage 目标检测
虽然深度神经网络很善于从处理高维数据提取特征，但是对于五花八门的真实照片来说还是很困难。目前同时期比较精确的方法都是2-stage两步：
- 先找出可能存在目标的候选框 Regional Proposal，筛选掉了大部分背景无用的特征
- 逐个对候选框 区域内的特征 进行分类
这样做本质上就是先解决了可能在哪里的问题，然后再考虑是什么，和具体的位置范围。2-stage 确实准确率更高，但是一张图片的候选框多达上千个，所以没有这个步骤的1-stage要快很多，两种方法其实是在速度和精度上做取舍。
anchor-base 和anchor-free
另外目标检测又可以分为anchor-based 和 anchor-free的， Anchor 是锚的意思，最早出现在Faster RCNN 中，用来生成锚框，和候选区是可能存在目标的区域不同，锚框是相对锚点设置的一系列固定的，不同尺度和长宽比的框，也就是说是跟具体图片没有关系。
anchor 也是用来辅助分类的， 请想象任何一个模型，原图是海底， 上边我们层层的特征图组成海洋（不同尺寸）, 从海面丢下锚，虽然我们锚和特征图上绑定在一起，但是锚框的位置信息 (mx,my,mw,mh) 是对应在原图上的，我们学习的其实是锚框和标准答案Ground Truth之间平移和缩放的关系。而多个锚框的设置使得挨得很近的多个目标也能被捕捉到。相对于让模型直接学习（x,y,w,h），学习关于锚框的offset就要更轻松一些。
anchor机制的思想可是锚框的各种参数设置又很麻烦了，有违我们一切交给AI的主旨，近两年也出现了很多很多Anchor-free的方法，比如逐个像素处理的FCOS，预测Bbox两个角的CornerNet和预测两个角加中心点的CenterNet等等。
经典检测框架
好啦！大部分目标检测就这么回事啦 ，具体方法都可以用两两组合来概述了。
在具体讲模型之前， 这里先介绍神经网络模型相关的三个词：
backbone 主干网络, 用于提取特征，
head 头，负责检测,
neck 颈， 顾名思义是衔接特征和检测的部分。
接下来长图预警！
RCNN在原图上获取候选区，对每个候选区进行特征提取；而Fast RCNN只获取一次特征，根据投影截取特征矩阵的对应部分
FastRCNN使用一个小型CNN获取候选框，至此整个框架实现端对端的学习，RFCN改进了会丢失信息的RoIPooling
MaskRCNN使用的是RoIAlign，比RoIPooling更觉却的对齐方式，另外在检测head再分出一路来预测掩膜Mask进行图像分割
1-stage的两个代表，不用候选区，YOLO在特征图上平均分割格子，SSD直接基于特征图每个像素上进行预测
FCOS用不同抽象级别的的特征层构造了一个特征金字塔，每一层都配备不同的检测头来检测每一个像素相对bbox的offset和类别
CenterNet是基于热图的关键点检测
