１、Adam作者大革新， 联合Hinton等人推出全新优化方法Lookahead
https://www.jiqizhixin.com/articles/2019-07-25-14
简介
论文地址：Lookahead Optimizer: k steps forward, 1 step back
Lookahead 算法与已有的方法完全不同，它迭代地更新两组权重。直观来说，Lookahead 算法通过提前观察另一个优化器生成的「fast weights」序列，来选择搜索方向。该研究发现，Lookahead 算法能够提升学习稳定性，不仅降低了调参需要的功夫，同时还能提升收敛速度与效果。
2、阿里巴巴提出ＤＲＬｏｓｓ:解决目标检测的样本不平衡问题
简介
论文地址：DR Loss: Improving Object Detection by Distributional Ranking
https://zhuanlan.zhihu.com/p/75896297
３、CornerNet: Detecting Objects as Paired Keypoints
https://zhuanlan.zhihu.com/p/41825737
https://zhuanlan.zhihu.com/p/53407590
目前的检测算法主要思路还是设置大量anchor+分配正负样本+训练的一个思路。
Anchor有两个缺点：
1）通常需要大量的anchor，在DSSD中需要40k，而在RetinaNet中则需要100k。大量的anchor中只有少部分和gt的重合比较大，可以作为正样本训练，其它都是负样本，这样就带来了正负例anchor的比例不均衡，也降低了网络的训练速度。
2）anchor boxes的引入带来了许多的超参数，并且需要进行细致设计。包括anchor boxes的数量、尺寸、长宽比例。特别是在单一网络在多尺度进行预测的情况下会变得复杂，每个尺度都需要独立设计。
４、超越YOLOv3！普林斯顿大学提出：CornerNet-Lite，基于关键点的目标检测算法，已开源！
https://zhuanlan.zhihu.com/p/63134919
5、CenterNet：将目标视为点 （已开源）
