目标检测经典paper

单阶段目标检测

1. EfficientDet：EfficientDet: Scalable and Efficient Object Detection
   url：https://arxiv.org/abs/1911.09070
   引入了BiFPN，作者发现PANet涨点挺猛的。然后就在上面改一下，而且不能采用NAS-FPN的这种结构。因为它不好扩展。BiFPN对于PANet的改进是，去掉了入度为一的点，并且对每一个同级的节点，都有残差连接。并且可以用于拓展。此外，用搜索的方法，得到了一些比较科学的scale策略。以3.9MB，2.5B击败YOLO v3，达到34.6。D1以6.6M，6.1B达到40.5。还有一个最高的点，77M，410B达到了55.1的性能。
2. TOOD: Task-aligned One-stage Object Detection
   url：https://arxiv.org/abs/2108.07755
   改进了分类头部和分类loss（与General Focal Loss相似）。最终的结果，在2x，multi-scale，single-model，single-level test，resnext101-64-4d-DCN上达到了51.1的AP，是目前的sota。

双阶段目标检测

Ancher-free目标检测

端到端目标检测

few-shot目标检测

1.Few-Shot Object Detection via Classification Refinement and Distractor Retreatment
url: https://openaccess.thecvf.com/content/CVPR2021/papers/Li_Few-Shot_Object_Detection_via_Classification_Refinement_and_Distractor_Retreatment_CVPR_2021_paper.pdf
简单总结：本文的出发点比较好，关注到了few-shot detection的base set里面有一些漏标的情况。所以采用了一个校正模块和一个过滤模块。但是它也将分类和回归的头部解耦了，并且使用了余弦分类器，所以它设计的模块涨点多少尚未可知。