detection_survey

Loss函数的视角

分类 loss：

• Focal loss：用
• Rankings

定位 loss:

• IoU loss：

模型的发展

Anchor Based 方法

双阶段检测模型

核心思想：通过“粗筛候选区域”与“精细优化”两阶段提升检测精度。

• R-CNN： 使用上古传统算法（如Selective Search）生成约2000个候选区域，对每个区域独立提取CNN特征；

  1. 通过SVM分类和边界框回归优化结果。
  • 局限性：重复计算特征导致效率低下，且依赖人工设计的区域生成算法。

• Fast R-CNN：

  • 改进：共享卷积特征图，引入RoI Pooling层统一区域特征维度，减少冗余计算。
  • 多任务损失：联合优化分类与回归任务，提升端到端性能。

• Faster R-CNN：

  • RPN网络：以滑动窗口方式在特征图上生成候选区域，替代传统算法，实现全卷积网络的端到端检测框架。
  • 锚框机制：预设多尺度、多比例的参考框，适应不同目标形状，显著提升候选区域质量。

1.2 单阶段检测

核心思想：简化流程，直接从特征图预测目标框与类别，牺牲部分精度换取速度。

• YOLO：

  • 将图像划分为网格单元，每个单元预测多个边界框及类别概率，通过非线性激活函数强化全局特征关联。
  • 局限性：对密集小目标检测效果较弱，易受背景干扰。

• SSD：

  • 在不同层级的特征图上预测目标，通过多尺度融合增强对小目标的敏感性。
  • 改进：结合低层细节信息与高层语义信息，平衡速度与精度。

• RetinaNet：

  • Focal Loss：通过动态调整损失权重，抑制易分类样本的贡献，聚焦难例训练，解决单阶段模型中的类别不平衡问题。

---

2. Anchor Free 方法

核心思想：消除预设锚框的依赖，直接建模目标的关键点或区域。

• FCOS：

  • 逐像素预测：以目标中心点为基准，预测目标尺寸与偏移量，避免锚框匹配的复杂度。
  • FPN集成：结合多尺度特征，增强对遮挡目标与极端尺度变化的鲁棒性。

• FreeAnchor：

  • 动态匹配策略：通过可学习的注意力机制，优化目标与预测框的匹配逻辑，提升定位精度。

• 优势：减少超参数（如锚框尺寸、比例）对模型性能的影响，适应开放场景的动态需求。

---

3. Transformer Based 方法

核心思想：利用自注意力机制捕获全局上下文信息，突破CNN局部感受野的限制。

• DETR：

  • 端到端框架：通过Transformer编码器-解码器结构直接输出预测框，结合二分图匹配损失消除NMS后处理。
  • 位置编码：引入可学习的位置嵌入，补偿Transformer对空间信息的缺失。

• Deformable DETR：

  • 可变形注意力：仅关注关键采样点，降低计算复杂度，加速模型收敛，尤其改善小目标检测性能。

• 趋势：结合CNN的局部特征提取能力与Transformer的全局建模优势，形成混合架构（如CBNetV2）。

---

双阶段方法详解：R-CNN系列的技术演进

1. R-CNN：

   • 特征冗余问题：每个候选区域独立通过CNN提取特征，导致数千次前向传播，计算效率极低。
   • SVM分类的局限性：需额外训练分类器，与深度网络优化目标不一致。

2. Fast R-CNN：

   • RoI Pooling：将不同尺寸的候选区域映射为固定大小的特征向量，但量化操作可能引入空间信息损失。

3. Faster R-CNN：

   • RPN与检测头的协同：通过共享特征图，候选区域生成与目标检测联合优化，形成高效流水线。
   • 锚框设计的启示：预设多尺度锚框的思想影响后续模型（如YOLOv3的多级预测）。

---

后处理方法的演进与挑战

非极大值抑制（NMS）

• 传统NMS的缺陷：对遮挡目标或密集排列目标易产生漏检（如人群检测）。
• 改进方向：
  • 软NMS：通过衰减重叠框的置信度而非直接删除，缓解误抑制问题。
  • 学习型NMS：将NMS建模为排序任务，通过网络学习抑制逻辑（如Relation Network）。

置信度阈值的平衡艺术

• 阈值选择的权衡：高阈值降低误报率但增加漏检风险，低阈值反之。
• 自适应阈值：基于目标类别分布动态调整阈值（如医疗影像中罕见病灶的检测）。

其他挑战

• 多类别NMS的优化：需针对不同类别独立执行NMS，计算复杂度随类别数线性增长。
• 端到端替代方案：DETR通过匈牙利匹配算法直接输出最优预测框，彻底摒弃后处理。