YoloV1-单阶段目标检测器1. 动机第一篇one stage的文章，将分类任务和回归任务结合在一起做，不需要anchor，输入图片后直接得到图片中物体的bbox以及对应的class。2.方法概要输入：图片输出：(S×S)∗2(S\times S)*2(S×S)∗2个bbox的（x,y,w,h），以及(S×S)∗2∗20(S\times S)*2*20(S×S)∗2∗20的类别向量（Pascal

Yolo v41. 动机YOLOv4对深度学习中一些常用Tricks进行了大量的测试，最终选择了这些有用的Tricks：WRC、CSP、CmBN、SAT、 Mish activation、Mosaic data augmentation、CmBN、DropBlock regularization 和 CIoU loss。【全都是不知道的trick】2.方法概要输入端：这里指的创新主要是训练时对输入

RetinaNet动机one stage的方法思路都得密集采样，然后基于base进行回归，那这个过程中采样出的fake anchor的数量中，正负样本是极端不平衡的，除了像SSD中那样在计算loss时通过score筛选下参与学习的bbox以保持正负样本比的方案，使用有权重的损失函数也会比较好的解决这个问题，这就是retina net中提出的Focal Loss.方法概要目的很简单，就是想让数量少的

SSD动机继YOLOv1之后的one stage检测方法，想要解决的是小目标在Yolo单阶段中召回不足的问题，然后就有了SSD。方法概要SSD使用了多尺度的feature进行最后的预测任务。具体来说，在浅层的，分辨率交高的featuremap和越往后越深的layer的featuremap中同时进行回归预测。他的预测也是anchor-based的，在每个featuremap中针对每个point产生r

计算机视觉-分类任务常用评价指标呐，下面我们先来看看分类任务有哪些可以使用的指标。作为一个Summary，我在下面写到的有准确率（Accuracy）,精确率（Precision）,召回率（Recall），P-R曲线（Precision-Recall Curve），F1-score，ROC曲线，AUC，混淆矩阵。0. 样本定义在开始之前，我们首先来说一说最后参与到指标计算中的样本会被分为哪几类。真阳

YOLOX来逐个看看YOLOX堆了哪些trick：1, 数据增强，使用了Mosaic 和 MixUp。Mosaic在YOLOv4及v5就用过了。MixUp也是比较常用的方法。2，Anchor-free。样本不再是anchor而是point(或者说grid)。3，Multi positives，将gt中心区域的点定义为正样本,其实就是FCOS中的center sampling。4，SimOTA，来源

SSD动机继YOLOv1之后的one stage检测方法，想要解决的是小目标在Yolo单阶段中召回不足的问题，然后就有了SSD。方法概要SSD使用了多尺度的feature进行最后的预测任务。具体来说，在浅层的，分辨率交高的featuremap和越往后越深的layer的featuremap中同时进行回归预测。他的预测也是anchor-based的，在每个featuremap中针对每个point产生r