给定一幅图像，判断出其是否存在感兴趣区域， 如果存在，则给出感兴趣区域物体的类别和位置。
根据anchor可分为anchor-based和anchor-free。
（1）anchor-based-RefineDet：
one-stage速度快但精度低，two-stage速度慢但精度高，根据分析，其实two-stage最耗时的地方时roi-pooling。于是RefineDet为了中和速度和精度，提出了一个1.5stage 的目标检测算法。
ARM与RPN类似，过滤掉背景proposal，TCN类似FPN的模块，ADM
TCB模块其实类似FPN，只是稍微有所不同。
AlignConv：
（2）anchor-free思考——ATSS（Adaptive Training Sample Selection ）策略：
作者通过分析anchor-based和anchor-free的方法的跟别差别发现了采样对anchor-based方法的重要性。
其中，作者比较了RetinaNet（anchor-based）和FCOS（anchor-free）两个方法，发现他们俩在正负样本采样的时候有区别，虽然回归的时候也有些差异，但是回归的loss对算法差异不大，因此作者基于正负样本的采样方式提出了ATSS策略。
ATSS策略思想:
每次在FPN每层根据anchor的中心点和gt的中心点的IOU的距离选取k个anchor，然后计算这些k个anchor和gt的IOU的距离的均值和方差。根据经验值选取均值和方差作为阈值进行候选，对这些anchor进行丢掉（负样本）或者保存（正样本）。
结论：对于目标检测，合理的正负样本回归其实是影响目标检测效果的根本原因，回归的时候不管是哪种回归loss其实影响不大。
Object Detection的一些进展(Valse2020.4.30)
原文：https://www.cnblogs.com/yeshengCqupt/p/12919957.html