1. 背景
两个子任务
- 分类
- 定位
2. 发展脉络
- 传统：HOG，DPM。速度慢、准确率不高
- Anchor based，计算Anchor比较耗时，且固定anchor降低了普适性
- two stage：RCNN，选框、resize、CNN、SVM $\to$ SPPNET提高了速度$\to$ faster RCNN 提取一个ROI来做处理，再选择候选框 $\to$ FPN，在不同尺度上效果更好
- one stage：YOLO，速度快精度低；SSD加入不同的检测分支
- Anchor free：
- CornerNet，将网络对边界框的检测转化为左上角、右上角的检测 $\to$ CenterNet, 检测目标中心点
- FCOS，不训练Anchor、不提Proposal
3. 评价方法
IOU
Precision-Recall曲线
面积越大，性能越好
mAP：越大越好，Mean Average Precision，考察了所有类的精度
4. 难点
- 尺寸小
- 背景复杂
- 颜色对比度低
5. 五大技术
- Multi-scale
- Bounding Box regression
- Context Prime
- NMS
6. 模型加速
- 轻量化网络
- 卷积分解、bottle-neck、神经架构搜索
- 模型压缩
- 剪枝
- Float to Int to Bool
- 知识蒸馏
- 数值加速
7. 提高精度
- 特征提取网络，对于性能非常重要
- Backbone
- 特征融合
- 目标定位：微调、新的损失函数CIOU
- 语义分割
- 旋转和尺度变化