参考
1.レビュー
-
時間：2019年5月
著者：ミシガン＆ノーザン・カールトン大学＆ディディ＆トラベルの大学
-
日付：2019年7月
著者：電子科学技術西安大学
-
日付：2019年8月
著者：シンガポール経営大学＆Salesforceの
-
時間：2019年9月
著者：中東工科大学
要約の小さな目標を検出する目標検出方法
-
そして、伝統的なマルチスケール画像は、ウィンドウ検出器をスライドピラミッド
-
シンプルで原油と信頼性の高いデータを増強
-
機能融合FPN
-
適切なトレーニング方法SNIP、SNIPER、SAN
-
アンカーは、より緻密でマッチング戦略S3FD、FaceBoxedを採用します
-
再検査への氏のズーム機能
一段階法
[ECCV2016] SSD：シングルショットマルチボックス検出器[論文]
2段法
（NIPS 2015）より高速なR-CNN：リージョン提案ネットワークでリアルタイムに向けて物体検出[紙] [pytorch]
模型训练 [ref]
- 使用预训练模型初始化共享卷积层并训练RPN
- 使用上一步得到的RPN参数生成ROI proposal，再使用预训练的模型初始化共享卷积层，训练Fast RCNN部分（分类器和ROI边框修订）
- 将训练后的共享卷积层参数固定，同时将Fast RCNN的参数固定，训练RPN。（从这一步开始，共享卷积层的参数真正被两大块卷积网络共享）
- 同样将共享卷积层参数固定，并将RPN的参数固定，训练Fast R-CNN部分。
模型测试
- 首先通过RPN生成约20000（pixels*9）个anchor
- 对20000个anchor进行第一次边框修正，得到修订边框后的Proposal
- 对超过图像边界的proposal的边进行clip，使得该proposal不超过图像范围
- 忽略掉长或者宽太小的proposal
- 将所有proposal按照前景分数从高到低排序，选取前6000个proposal
- 使用阈值为0.7的NMS算法排除掉重叠的proposal
- 针对上一步剩下的proposal，选取前300个proposal进行分类和二次边框修正
Multi-Stage Methods
(CVPR 2019)Hybrid Task Cascade for Instance Segmentation [paper] [mmdetection]
(CVPR2018) Cascade R-CNN: Delving Into High Quality Object Detection[paper]
図（A）高速RCNNである。
図（b）は座標バウンディングボックスに前回の検出モデル回帰次の反復BBOXリターンであるバウンディングボックス検出モデルに初期化し、この反復は結果を取得した後に、戻るために継続され、
図©積分損失でありますショーはバウンディングボックスの出力は、バウンディングボックスに予測が高い場合IOU、ので、非常に正確な、テイク異なるIOU閾値で区切られたが、いくつかの有用なバウンディングボックスを失い、
図（d）は、カスケードRCNNあるBであり、c 2アイデアの組み合わせインチ
一般Moduolesと方法
