目标检测

FCOS的paper是《FCOS: Fully Convolutional One-Stage Object Detection》，它基本是Anchor Free的SOTA，本文对FCOS进行详解。

CenterNet是一种Anchor Free的目标检测算法，它弃用了anchor机制，将目标检测问题转化为目标框中心点估计的问题，实现了非常不错的检测准确率和性能。

目标检测领域普遍one-stage算法准确率不如以Faster RCNN为代表的two-stage算法。RetinaNet认为主要原因是样本不均衡，提出了focal loss来解决这个问题。

在目标检测的发展历程中，Two-stage算法一直没有引入多尺度特征方法。后来的SSD算法证明了引入多尺度特征到目标检测的有效性，在FPN中Two-stage算法引入了多尺度，提出了特征金字塔网络。

本文主要讲当前目标检测算法中回归框损失函数的迭代发展、原理及代码实现，一文就能吃透目标检测回归框损失函数。内容包括Smooth L1、L2、IoU、GIoU、DIoU、CIoU Loss等。

本文主要介绍YOLOv3的算法原理和改进策略，YOLOv3在精度和速度上在2018年都达到了sota的程度，经过一系列小改动，YOLOv3的准确率获得了较大程度的提升。

YOLOv2是YOLO系列的第二代算法，作者在YOLOv1的基础上进行了大量改进，并引入了anchor机制，准确率大幅提升的同时降低了计算量，本文章重点介绍YOLOV2的原理和改进策略。

YOLO把两阶段的目标检测网络变成单阶段网络。 YOLOV1开创了单阶段目标检测的先河，做到了实时目标检测，本文主要介绍YOLOv1的原理。

Faster RCNN算法用RPN网络替代selective search，实现了目标检测网络真正的端到端训练，是Fast RCNN算法后的又一力作，CV中经典中的经典。

让RCNN能端到端训练 Fast RCNN是Ross Girshick大神继RCBB后的又一力作。RCNN系列首个能端到端训练的深度学习网络，极大地提升了训练和推理速度。

RCNN也有非常明显的缺陷：训练时间和推理时间耗时太长，造成这个致命性缺陷的主要原因是存在大量的冗余计算。SPP Net是在RCNN基础上的演进，通过共享卷积计算和空间金字塔池化的方法，来大幅提升速度

本文主要介绍目标检测的发展历史和深度学习目标检测的开山之作RCNN原理，及其优劣势。RCNN包括候选区域生成、特征提取、类别判断和位置精修四个流程。