目标检测之前只用过yolo算法，训练的不是很好，没有系统的学习，经过百度训练营的系统基础的学习，对目标检测概念及其算法有了深入的了解，不过短期内不再进行CV的研究，回归NLP，因此对现阶段的目标检测进行总结，感谢百度提供的训练营，及其百度讲师和班主任芮芮
算法近20年发展：https://arxiv.org/abs/1905.05055
RCNN 算法：
两阶段RCNN：区域选择+检测（分类+定位）
Fast-RCNN :
1. 引入RoI Pooling操作，解决重复特征提取问题
2. 将分类和回归损失统一在同一个框架中
3. 通过SS(Selective search)提取候选框，速度慢，不是端到端
Faster-RCNN
1. 通过RPN（Region proposal network）学校候选区域
2. 提高了精度，速度快
Anchor(锚框)：
1. 预先设定好比例的一组候选框集合
2. 滑动窗口提取
Anchor Based Methods:
1. 使用Anchor提取候选目标框
2. 在特征图上的每一个点，对Anchor进行分类和回归
Anchor-Based方法：两阶段：
1. 先使用anchor回归候选目标框，划分前景和背景
2. 使用后悬目标框进一步回归和分类，输出最终目标框和对应的类别
R-CNN : RCNN、Fast-RCNN、FasterRCNN
FPN：CascadeRCNN 、LibraRCNN
FPN、CascadeRCNN
Anchor-Based方法：一阶段：
直接对anchor 回归和分类最终目标框的类别
算法：YOLOv2,YOLOv3
SSD、RetinaNet
Anchor 缺点：
手工设计 1. 设置多少个？设置多大？2.长宽比如何设置
数量多 1.如何解决正负样本不均衡问题
超参数
AnchorFree方法：
不再使用预先设定的anchor,通常通过预测目标中心或者角点，对目标进行检测
基于多关键点联合表达的方法：
1. CornerNet/CornerNet-lite
2. CenterNet:Keypoint Triplets for Object Detection
3. RepPoints
基于中心区域预测的方法：
1. FCOS
2. CenterNet:Objects as Points
https://github.com/rafaelpadilla/Object-Detection-Metrics
NMS:非极大值抑制，Non-Maximum Suppression
R-CNN：
R-CNN 网络结构：
提出来Fast R-CNN 解决
Rol Pooling
Rol Pooling 不足：
Rol Align
BBox Head
BBox Head Loss
Faster R-CNN 效果
两阶段检测进阶模型
FPN目标检测实现方法：
Cascade R-CNN的IoU分析
Cascade R-CNN 网络结构
两阶段检测进阶模型Libra R-CNN
移动端模型优化策略
移动端模型优化：微调FPN结构
YOLO算法
性价比之选：YOLO系列模型
YOLO（v1）
原理：
YOLOv2
YOLOV3
YOLOv3
YOLOv3网络结构
从锚框到预测框
预测流程
检测流程：
损失函数：
YOLOv3检测流程
计算预测框
AnchorFree算法
CornerNet核心思想：
Heatmaps解决如何找到corner的问题：Reduce penalty + Corner Pooling
Corner pooling 算法：
Embeddings解决如何组合corner的问题：
CornerNet 网络结构：
CornerNet 检测效果：
CornetNet-进化版
CornetNet Squeeze - 优化方法
CornerNet-Squeeze-dcn-mixup-cosine是基于原版CornerNet-Squeeze优化效果最好的模型，在ResNet的骨干网络基础上增加mixup预处理和使用cosine_decay的学习策略
CornerNet- 算法总结：
FCOS基于中心的Anchor Free检测算法
FCOS 全卷积网络 -网络结构
FCOS算法总结：
CenterNet -基于中心的Anchor Free 检测算法
CenterNet-核心思想：
CenterNet 预测目标中心点的位置
CenterNet 预测不同任务中的不同属性
CenterNet算法总结：
TTFNet 改进方案;
TTFNet网络结构
1.讨论并验证了batch size 和真值框产生的编码信息的关联
2.提出通过高斯核产生中心点定位和尺寸回归监督信息的新方法
3.在保持高性能的同时，极大的降低了检测器训练时间
4. 模型结构有利于开展搜索实验
Anchor Free系列算法小结
Anchor Free算法参考文献：
模型训练中，遇到一些比较困难的坑，经常boom, 最后ppyolo模型，但相信ppyolo在特定情况下训练的效果应该比较不错，日后有机会使用时深度研究下细节使用，及其参数调试