目标检测,主要问题发展，非极大值抑制中阈值也作为参数去学习更满足end2end,最近发展趋势和主要研究思路方向
待办
目标检测问题时间线
特征金字塔加滑窗
对象框推荐
回归算法回归对象框
多尺度检测
BBOX 回归发展
NMS技术发展
困难样本挖掘技术发展--样本不均衡问题
https://zhuanlan.zhihu.com/p/98756890
目标检测的加速方式
最新进展
1、更好的引擎
DenseNet，在残差网络的基础上进行修改，残差是有short cut链接，而denseNet块是前面所有的层都与后面层有链接，所以是稠密链接。
https://zhuanlan.zhihu.com/p/98756890
2、更好的特征
特征融、合特征融合一般有两种方法，第一种是Processing flow，第二种是Element-wise operation。
3、不止于滑窗
很多方法都是基于proposals或者anchor的方法来做目标检测，但是最近非常流行anchor free
4、目标定位能力的提升
提升定位能力，一般有两种方式
重新修正bbox，bbox refinement经常被用来在cnn中新加入一个分支来重新定位Bbox的位置。
重新设计损失函数，因为目前大部分的损失函数设计都是通过计算IoU来得到定位的loss，这样对于end2end的思想还是相差的有点远，如果能够重新设计一个loss函数来更好的表示定位误差，这样训练过程会更加的好。
5、带语义监督信号的学习
在训练过程中，我们标注的都是矩形框，矩形框中或多或少都会标有一部分背景信息，如果没有语义信息，那么这种训练其实是不完美的。甚至于有些目标的外形比较奇怪，例如一个猫和一个非常长的火车，如果计算IoU的话，这样计算结果就不能很好的表示定位误差。如果带有语义信息的训练，然后使用多任务的损失函数，这样可以帮助到网络进行很好的学习。
6、training from scratch
现在的深度学习的网路训练之前，都是将主干网路在imageNet上进行预训练的，因为ImageNet数据集足够大，预训练之后再在目标检测的数据集上进行微调，这样会容易收敛。但是ImageNet是分类任务的，可能会和目标检测适应的不是那么好。最近有文章研究怎么去重头开始训练并提升精度，例如DSOD就是一个非常好的例子。
7、对抗训练
将GAN思想应用到目标检测中，特别是可以提高小目标和重叠目标的检出率，通过缩小小目标和大目标之间的表达范围，对抗网络生成拥挤的对象掩模，直接在特征层缩小拥挤程度，造成对抗攻击，提升网络学习能力。
8、弱监督训练
目标检测的数据集整理非常耗费人力去标注，通过弱监督学习训练目标检测，只需要在图片层面进行标注，不需要bbox层的标注就可以训练一个目标检测器