通过这个链接🔗进行复习学习。https://github.com/scutan90/DeepLearning-500-questions

目标检测

前面两节讲了，two-stage、one-stage目标检测算法；

• Two-Stage检测器（如Faster R-CNN、FPN）效果好，但速度相对慢
• One-Stage检测器（如YOLO、SSD）速度快，但效果一般

retinaNet是针对one-stage算法准确率不高做出的改进。

one-stage和two-stage在算法上效果差异存在的问题就是，类别分布不均衡的问题。

类别分布不均衡

简单的说就是负样本数量大于正样本数量。

我们知道一个数据集中，可能存在的目标区域很小，但是背景区域所占的部分非常大。two-stage在提取候选框阶段就可以筛选掉很多的box；而one-stage是将所有格子提取多个anchor-box，并没有提取筛选。因此存在很多负样本anchor-box。

RetinaNet（One-Stage）

为了解决样本类别分布不均衡的问题，作者提出使用FocalLoss做目标分类的损失函数。
（Focal-Loss更加关注在困难样本上的训练，降低简单样本的训练所占权重，提高困难样本训练所占权重。）

RetinaNet网络结构（ResNet + FPN）

主干网络使用ResNet，使用FPN做分类和预测框的回归。

损失函数 ：Focal Loss

RFBNet

RFBNet主要想利用一些技巧使得轻量级模型在速度和精度上达到很好的trade-off的检测器。

（内部结构：多分支卷积层和dilated卷积层。）

**RFB模块：**借鉴了Inception的思想，引入3个dilated卷积层。（为了增大感受野）
**RFB-s模块：**用3x3卷积层代替5x5卷积层，另一方面用1x3和3x1卷积层代替3x3卷积层，主要目的应该是为了减少计算量。

RFBNet300的整体结构如下图所示，基本上和SSD类似。RFBNet和SSD不同的是：1、主干网上用两个RFB结构替换原来新增的两层。2、conv4_3和conv7_fc在接预测层之前分别接RFB-s和RFB结构。