目标检测综述

综述1：

单级探测器，如SSD、YOLO、RetinaNet，直接预测物体的位置，而没有一个明确的建议阶段。两阶段区域建议的方法，如Fast R-CNN、Faster R-CNN、Cascade R-CNN，涉及区域建议阶段。然后对这些建议框进行细化，以定义目标的位置和大小。通常，单阶段方法比两阶段方法更快，而后者具有更高的精度。

最近，Anchor-Free检测器开始引起人们的注意。他们消除了Anchor box的使用，并将特征金字塔上的每个点分类为前景或背景，并直接预测从前景点到GT边界框的距离，从而产生检测。FCOS是第一个目标检测器，消除了预定义Anchor box集的需要，并需要计算需要。VarifocalNet(VFNet)学习预测IoU-aware classification score，它将目标存在的置信度和定位精度混合在一起，作为一个边界框的检测分数。学习是由基于一个新的星形边界框特征表示所提出的Varifocal Loss(VFL)监督的。TOOD以基于学习的方式将2个任务（目标分类和定位）明确对齐，通过设计的样本分配方案和任务对齐损失，在学习任务交互和任务特定特征和任务对齐学习之间提供了更好的平衡。