本文共 807 字，大约阅读时间需要 2 分钟。

Two-stage & One-stage Detectors.

1 Introduction

Anchor-free 

AutoML  自动机器学习

两大重要研究方向。

后面将介绍，

自动机器学习（AutoML）是将机器学习应用于现实问题的端到端流程自动化的过程。

机器学习的应用需要大量的人工干预，这些人工干预表现在：特征提取、模型选择、参数调节等机器学习的各个方面。AutoML视图将这些与特征、模型、优化、评价有关的重要步骤进行自动化地学习，使得机器学习模型无需人工干预即可被应用。

- 从机器学习角度讲，AutoML可以看作是一个在给定数据和任务上学习和泛化能力非常强大的系统。但是它强调必须非常容易使用。 - 从自动化角度讲，AutoML则可以看作是设计一系列高级的控制系统去操作机器学习模型，使得模型可以自动化地学习到合适的参数和配置而无需人工干预。

 

2 Backbone Networks

 

3 Typical Baselines

1、Two stage目标检测算法

先进行区域建议框（Region Proposal, RP)的生成，再通过卷积神经网络进行分类。 步骤：特征提取 → 生成RP → 分类/回归。

2、One stage目标检测算法

直接提取特征来预测物体类别和位置。 步骤：特征提取 → 分类/回归。

第一个基于cnn的目标检测器R-CNN的提出，为推动一般目标检测的发展做出了一系列重要的贡献。

我们介绍了一些具有代表性的对象检测体系结构，供初学者在此领域入门。

A. Two-stage Detectors

Two Stage目标检测模型改进方向

 生成Proposals

 ROI特征获取

 ROI算法设计

 加速检测

 后处理回归框

 

B. One-stage Detectors

One Stage目标检测模型改进方向

网络设计（主干网络）

anchors设置方案

检测框回归方式

损失函数

转载地址：http://scdlf.baihongyu.com/