git基本操作总结

在程序开发过程中，经常需要我们去配置各种开发环境，而本地与线上还可能存在环境依赖的不同，导致出现一些不知名的bug，这个时候不要抓头，是时候使用docker来帮你排忧解难了,下面我通过下面几个篇章来介绍Docker.

本篇文章是一篇优化目标检测精度的文章，在two stage方法上进行模型优化的，文章的主要关注点在于目标尺度（Scale）。基于作者对目标尺度的实验与分析，设计了SNIP方法，该方法实验证明，可以有效提高目标检测的精度

目标检测中的小目标的检测一直是一个难题，同样也有很多方法被提出来优化小目标的识别，使用图像金字塔进行多尺度检测是一个比较常用的方法，但是使用图像金字塔往往会带来巨大的资源消耗，本篇文章就针对这个问题，提出了一个解决利用图像金字塔进行多尺度训练时间长、资源消耗大的方法，其在SNIP的方法上发展而来，通过采样多个chips,并将chips缩放到相同的尺度（这点有点像RCNN）进行训练，不仅仅实现了多尺度，还提高了3倍的速度，并且保证了精度。

本篇论文是CVPR2019的一篇anchor free的目标检测论文，借鉴了CornerNet的思想，又对其进行了进一步的改进，取得了还不错的效果，不同于CornerNet，本文提出网络ExtremeNet，不再检测目标的左上角点与右下角点，而是检测目标的4个极值点（即最上点，最下点，最左点，最右点），框出目标，极值点示例如下图所示，方法比较新颖，同时也取得了比较不错的效果，在COCO测试集上，取得了43.7%的精度，速度其实没有特别大的优势，大约300ms处理一张图像，下面我们详细介绍一下本篇论文。

Fast R-CNN是RBG大神于2015年发表的目标检测网络，其在SPP-Net的基础上，通过进一步的改进，使得目标检测精度以及检测速度有了进一步的提升，下面详细介绍Fast R-CNN的创新点。主要创新点在于：1. Fast R-CNN设计了multi-loss方式进行目标分类以及位置回归，不需要进行特征存储到disk，使得效率有了大大的提升，2. 不需要multi-pipeline。3. CNN参数全更新。4. 单个ROI-pooling不再是SPP-Net的多级pooling，ROI pooling可以理解为SPP-Net的特殊形式。5. 使用mini-batch SGD方式进行训练。6. 利用SVD方式进行速度的提升。

经典中的经典 Faster-RCNN

论文链接：https://arxiv.org/abs/1612.03144

FPN 创新点

• 低层特征信息与高层语义信息的特征融合
• 有利于小目标的检测

Mask R-CNN是He Kaiming大神2017年的力作，其在进行目标检测的同时进行实例分割，取得了出色的效果，其在没有任何trick的情况下，取得了COCO 2016比赛的冠军。其网络的设计也比较简单，在Faster R-CNN基础上，在原本的两个分支上（分类+坐标回归）增加了一个分支进行语义分割，如下图所示：

论文链接：https://arxiv.org/abs/1708.02002

代码链接：https://github.com/facebookresearch/Detectron