目标检测技术包括anchor-based和anchor-free两大类：
1、基于anchor-based的技术包括一个阶段和两个阶段的检测。其中一阶段的检测技术包括SSD，DSSD，RetinaNet，RefineDet，YOLOV3等，二阶段技术包括Faster-RCNN，R-FCN，FPN，Cascade R-CNN，SNIP等。一般的，两个阶段的目标检测会比一个阶段的精度要高，但一个阶段的算法速度会更快。
二步法相对于一步法有以下几个优势：
（a）.二阶段的分类
（b）.二阶段的回归
（c）.二阶段的特征
（d）.特征校准
为了能让一步法也具备二步法的这些个优势，提出了RefineDet、SRN、AlignDet等一些列检测算法。
2、 anchor-free的技术包括基于Keypoint与Segmentation两类。其中基于Keypoint技术包括CornerNet，CenterNet，CornerNet-Lite等，基于Segmentation的技术包括FSAF，FCOS，FoveaBox等。
anchor-base存在的问题：
•与锚点框相关超参 (scale、aspect ratio、IoU Threshold) 会较明显的影响最终预测效果；（尺度(scale)和长宽比( aspect ratio)是比较难设计的。这需要较强的先验知识。）
•预置的锚点大小、比例在检测差异较大物体时不够灵活；
•大量的锚点会导致运算复杂度增大，产生的参数较多；
•容易导致训练时negative与positive的比例失衡。（冗余框非常之多：一张图像内的目标毕竟是有限的，基于每个anchor设定大量anchor box会产生大量的easy-sample，即完全不包含目标的背景框。这会造成正负样本严重不平衡问题，也是one-stage算法难以赶超two-stage算法的原因之一。）
此外基于anchor box进行目标类别分类时，IOU阈值超参设置也是一个问题，0.5？0.7？有同学可能也想到了CVPR2018的论文Cascade R-CNN，专门来讨论这个问题。
anchor-base 优点：
（1）使用anchor机制产生密集的anchor box，使得网络可直接在此基础上进行目标分类及边界框坐标回归；
（2）密集的anchor box可有效提高网络目标召回能力，对于小目标检测来说提升非常明显。
Anchor-free算法的优点：
•使用类似分割的思想来解决目标检测问题；
•不需要调优与anchor相关的超参数；
•避免大量计算GT boxes和anchor boxes 之间的IoU，使得训练过程占用内存更低。
anchor-free是通过另外一种手段来解决检测问题的。同样分为两个子问题，即确定物体中心和对四条边框的预测。预测物体中心时，将中心预测融入到类别预测的 target 里面，也可以预测一个 soft 的 centerness score。对于四条边框的预测，则比较一致，都是预测该像素点到 ground truth 框的四条边距离，不过会使用一些 trick 来限制 regress 的范围。
anchor-free类算法归纳：
A.基于多关键点联合表达的方法
a.CornerNet/CornerNet-lite：左上角点+右下角点
b.ExtremeNet：上下左右4个极值点+中心点
c.CenterNet:Keypoint Triplets for Object Detection：左上角点+右下角点+中心点
d.RepPoints：9个学习到的自适应跳动的采样点
e.FoveaBox：中心点+左上角点+右下角点
f.PLN：4个角点+中心点
B.基于单中心点预测的方法
a.CenterNet:Objects as Points：中心点+宽度+高度
b.CSP：中心点+高度（作者预设了目标宽高比固定，根据高度计算出宽度）
c.FCOS：中心点+到框的2个距离