企业官网建设流程全解析

如果让我只挑一届CVPR来读目标检测论文，我会选2019。那一年的录用列表里，检测方向的文章质量密度高到有点离谱：Anchor-Free从概念验证走向系统化，Cascade R-CNN把高质量检测讲成一套完整方法论，GIoU在损失函数层面补上IoU的硬伤，ScratchDet则开始挑战ImageNet预训练的必要性。对做视觉算法的人来说，2019 CVPR目标检测论文基本就是后来几年检测器演化的地基，哪怕放到现在去翻，依然能挖出不少被低估的思路。

这篇整理适合两类人：一类是想系统入门目标检测的新人，另一类是已经在跑检测器、想快速了解当年有哪些关键工作值得补课的工程师。我尽量不贴大段公式，而是把每篇论文解决的核心矛盾、方法以及复现时容易忽略的细节讲清楚。文章中会提到一小部分不是CVPR2019的同期工作，因为它们和这一年的核心话题深度绑定，我会特别标注出来，免得大家查论文时对不上年份。

1. 2019年的目标检测战场：Anchor与Anchor-Free的正面碰撞

1.1 那时候的检测器，卡在哪儿了

在2019年之前，绝大多数检测器都绕不开anchor。anchor可以理解成一组预先摆好的候选框模板——你告诉模型“目标大概长这样”，模型再去微调它。Faster R-CNN在每个位置放9个anchor，SSD在不同层放不同尺度的框，RetinaNet的FPN也是围绕anchor设计正负样本的。这套机制在当年很有效，但问题也很明显：尺度、纵横比、数量全靠经验调，换一个数据集可能就得重新聚类anchor参数。

更让人头疼的是正负样本定义。训练时，anchor和真实框的IoU超过某个阈值才算正样本，低于另一个阈值就是负样本，中间的直接忽略。这意味着检测器的性能天花板很大程度取决于anchor的密度、尺度和匹配策略。你能在COCO上调好一套参数，换到小目标多的遥感图或者人脸密集场景，性能下降得飞快。于是2019年最热闹的争论就来了：能不能不预设anchor，让模型直接从特征图里回归出框？

这个方向上，CornerNet在2018年已经靠关键点配对证明了“没有anchor也能检测”，但它需要做角点分组，逻辑繁琐。而CVPR2019的FCOS直接把检测重定义成逐像素预测到四条边的距离，FSAF则尝试让特征层自己选，不再按尺寸硬性分配。这两个工作把Anchor-Free往前推了一大步，也正式拉开了和Anchor-Based方法的正面对话。

1.2 站在2019看三条演进路线

如果把2019 CVPR目标检测论文按解决的问题来分，我习惯把它们归成三条路线：

另外，NAS-FPN也出现在这一年的CVPR里，它用神经网络搜索的方式设计特征金字塔结构，训练成本高，但对后来自动化结构搜索的启发很大。总体来看，2019是一个从“怎么把框调得更准”转向“为什么框要这样定义”的节点。读这一届论文，最好带着“它在挑战哪个默认假设”的视角去看，收获会大很多。

2. 一阶段新势力：FCOS、FSAF和同期特征表达工作

2.1 FCOS：把anchor丢掉，多尺度还在

FCOS是CVPR2019里我最推荐精读的一篇一阶段检测器。它把目标检测建模成逐像素的密集预测：只要某个位置落在某个真实框内部，它就作为正样本，直接回归该位置到框四条边的距离，也就是论文里的l、t、r、b。没有anchor，没有IoU匹配，也没有聚类先验，干净得有点像语义分割。

但逐像素预测会带来一个直接问题：同一个位置可能同时落在两个重叠的真实框里，该跟谁走？FCOS的三个解法都很务实。第一，利用FPN，不同金字塔层负责不同尺度范围，比如浅层管小目标、深层管大目标，从结构上减少尺度歧义。第二，每个位置只回归距离它最近的框，降低重叠目标的混乱。第三，引入centerness分支，惩罚离目标中心较远的像素。centerness的计算方式是：

sqrt(min(l,r)/max(l,r) * min(t,b)/max(t,b))

这个值在目标中心是1，越往边缘越接近0。推理时把它乘到分类分数上，相当于告诉模型：即使你预测出框，如果这个位置离目标中心太远，最终分数也要降下来。这个设计非常聪明，它不改变网络结构，只是用一个小分支压制了大量低质量的离中心预测。

复现FCOS的时候要注意，它的正样本数量比Anchor-Based方法多很多，因为每个框内的所有像素都参与训练。这意味着计算量和显存占用会上涨，backbone稍微大一点就得调batch size。另外，centerness分支虽然好用，但训练不稳时容易误杀一些高IoU的边缘预测，损失权重不要一开始就给太高。后来ATSS出来之后，很多FCOS的改进都集中在样本选择上，反而说明FCOS底子足够干净。

2.2 FSAF：让目标自己抢特征层

FSAF的全称是Feature Selective Anchor-Free Module，一句话概括就是：让每个实例自己选择最适合的特征层，而不是由FPN按尺度硬性分配。传统FPN做多尺度检测时，大目标固定分给深层，小目标固定分给浅层，这个规则基于经验，但不一定最优。有些中等尺寸、纹理复杂的目标，可能放到更高层语义更强的地方精度反而更高。

FSAF的做法是在原有anchor分支旁边加一个anchor-free分支，每个实例在每一层金字塔上先算一遍分类和回归损失，然后选择损失最小的那一层来训练。这就是所谓的在线特征选择。推理时，anchor分支和anchor-free分支的结果可以做soft fusion，让两条分支互补。这个思想后来被ATSS吸收，ATSS里的样本选择和FSAF一脉相承，都是在回答“哪个特征层、哪些位置应该学这个目标”。

我觉得FSAF最值得学的是它对“尺度分配”问题的思考方式。以前大家把尺度分配当超参来调，FSAF把它变成一个可优化的选择问题。代价是训练时每个实例都要在所有层上算一遍损失，训练开销会变高。实际复现中，它的精度提升不是爆发式的，但在一些尺度分布特别不均匀的数据集上，能明显看到它对中尺度目标的改善。

2.3 为什么绕不开M2Det、RFBNet这些同期非CVPR2019工作

严格来说，M2Det发在AAAI2020，RFBNet发在ECCV2018，但它们和2019 CVPR讨论的特征表达问题深度绑定，经常被放在同一批读物里。M2Det的核心是MLFPN，也就是多级特征金字塔网络。它不像FPN那样只做一次自顶向下的融合，而是把多个不同尺度的特征层反复融合、反复提炼，形成一个更厚的特征金字塔。效果确实好，但网络很重，显存消耗大，训练速度也慢。如果你在刷比赛，这种结构还能用得上；如果是做工业落地，性价比一般。

RFBNet则从感受野角度切入，受人类视觉系统启发，设计了一个射频模块。它用不同大小的卷积核加空洞卷积，组合出不同尺度的感受野，再通过shortcut保留原始信息，和Inception的思路有点像，但加了空洞卷积让感受野更大。这个模块可以直接嵌进SSD类检测器里，在保持实时性的前提下提升精度。读这两篇工作能帮你理解一个点：检测器的特征表达不只是“深不深”的问题，还有“广不广”和“融不融”的问题。FPN解决的是尺度融合，RFBNet解决的是感受野覆盖，M2Det解决的是多级信息复用，它们是可以同时使用的互补手段。

3. 两阶段与高质量检测：Cascade R-CNN、Libra R-CNN的提分逻辑

3.1 Cascade R-CNN：级联重采样才是关键

Cascade R-CNN在2018年首次提出，2019年CVPR版本扩展到了实例分割，但它的核心思想一直没变：一个检测器只能擅长一个IoU阈值。训练时你用0.5的IoU阈值匹配正样本，检测器就会变成0.5阈值下的专家；推理时RPN给出的候选框其实分布更分散，想让它直接输出高质量框，它反而不太会打分。

很多人以为Cascade就是把三个检测头串起来，每个头阈值不断提高，0.5、0.6、0.7，一直让框越来越准。但其实关键的细节是resampling，也就是重采样。前一个stage回归出来的框，到了下一个stage不能直接当输入用，要重新和真实框计算IoU，重新定义正负样本，再训练下一个检测头。只有这样，每一级检测器接收到的候选框分布才能匹配它自己的训练阈值。如果不重新采样，而只是反复用一个检测头回归同一个框，那是iterative bounding box regression，效果差很多，还容易过拟合。

Cascade R-CNN在COCO上的提升非常稳定，尤其是AP75这种高质量检测指标，比单阈值检测器高出好几个点。这背后的直觉其实很好理解：一个人做复杂任务不可能一步到位，先粗调再细调，每一级都只处理上一级留下的误差分布。2019年版本还加了mask分支，在级联框上做实例分割，效果也顺带涨了。复现时我建议直接用mmdetection里现成的cascade_rcnn_r101_fpn等配置跑一遍，重点体会每个stage的RoI是怎么重采样出来的。把这一点看懂了，两阶段检测器基本就懂了一半。

3.2 Libra R-CNN：三处不平衡一起治

Libra R-CNN的出发点是：检测任务不是一个单独的不平衡问题，而是三处不平衡叠在一起。第一是样本不平衡，训练时大量简单负样本淹没少量难样本；第二是特征不平衡，浅层特征分辨率高但语义弱，深层特征语义强但分辨率低；第三是目标边界不平衡，回归损失里outlier样本贡献太大，inlier样本被压得抬不起头。

针对样本不平衡，Libra R-CNN提了IoU-balanced Sampling。普通随机采样让低IoU的样本更容易被抽到，难的正样本反而出现得少。IoU-balanced的做法是把IoU范围分成均匀的区间，每个区间都保证有样本被抽到，这样可以显著提高高质量正样本在训练中的比例。

特征层面，它提出Balanced Feature Pyramid。做法很简单：把金字塔各层resize到同一尺寸，逐像素相加取平均，得到一个包含全局语义的融合特征，再把它广播回每一层。这个过程相当于把全局信息注入到每一层，缓解低层特征语义不足的问题。第三块是Balanced L1 Loss，把回归损失函数设计成分段形式，让小梯度样本的贡献增强，大梯度样本的贡献被限制。这样模型不会只盯着几个LeCun难样本，在COCO这种长尾分布的数据集上尤其有用。

Libra R-CNN是可以直接加在Faster R-CNN或Cascade R-CNN上的训练配方。它的修改点都不是伤筋动骨的大改，但每一处都踩在痛点，累积提升明显。我自己复现时感觉，它比很多花哨的新模块更实用，因为你可以在现有代码上快速验证，而不需要重写整个网络。

3.3 同期补充：CBNet这类复合骨干为什么会出现

虽然CBNet发在AAAI2019，但如果你想了解2019年检测器刷分的完整拼图，它绕不开。CBNet的思路非常直接：把多个backbone串联起来，前一个backbone输出的特征喂给后一个backbone，相当于让检测器有一个“复核”的特征提取过程。配合Cascade R-CNN，它在一段时间里把COCO的指标推得很高，代价是计算量也翻倍甚至更多。

这类工作在我眼里属于“用计算换精度”的典型代表。它不改变检测器的学习逻辑，只是让特征更强。对比赛刷分有意义，但工业落地时通常会被砍掉。从原理层面看，CBNet提醒我们一件事：骨干网络的选择和设计对检测器的影响，往往比检测头里的trick更直接。到了2020年之后，大家更倾向于用更强的预训练模型或者自监督表征来提升骨干，而不是简单叠加两个backbone。

4. 损失函数与训练技巧：GIoU、Cluster Loss、ScratchDet的实操价值

4.1 GIoU：给不相交的框一条梯度出路

在GIoU之前，目标检测的回归损失大多是Smooth L1，也就是先算坐标差的绝对值，再决定用L1还是L2。但L1类损失和最终评估指标IoU并不一致。你优化的是坐标绝对值，评估的是框的重叠程度，于是可能出现损失降低但IoU没涨的情况。更尴尬的是，IoU损失本身也有问题：如果两个框完全不相交，IoU恒为0，梯度无法引导框向对方靠近。

GIoU的改进很优雅。它先算两个框的最小闭包区域C，然后用公式：

GIoU = IoU - (C - union) / C

如果两个框不相交，闭包区域C会比并集大很多，第二项变成负值，GIoU就小于0。框离得越远，惩罚越大，梯度会先把两个框推近。一旦有重叠，第二项趋近0，GIoU又平滑过渡回IoU。你可以把它理解成一场考试：IoU只告诉你及格还是不及格，GIoU则会给“你离及格还差多远”一个连续分数。

实际使用GIoU时有个细节容易被忽略：闭包面积C在极端情况下可能非常小或者接近0，低精度训练时容易出现除零问题。我在FP16混合精度训练里遇到过NaN，后来给分母加了一个极小值常数才稳住。另外，当两个框有包含关系时，GIoU会退化成IoU，收敛速度变慢。这个问题后来被DIoU和CIoU解决，但GIoU作为把几何度量引入回归损失的里程碑，依然值得好好读。

4.2 Cluster Loss：人脸检测里的嵌入约束

Cluster Loss这篇来自CVPR2019，论文名是Detection with Clustering Loss，应用场景集中于人脸检测。它的动机是：检测器训练时只关心框的位置和分类标签，训练出来的特征对于“判断两个人是不是同一个身份”这种任务帮助有限。如果你做的是人脸检测，下游经常还要接人脸识别，那就希望检测器提的特征本身就有区分度。

Cluster Loss的思路是在检测框架里增加一个度量学习分支。同一张人脸的样本特征被拉向同一个聚类中心，不同身份的聚类中心互相推开。这样检测器不只在学“这里有没有人”，还在学“这个人是谁的特征表达”。在WIDER FACE这类数据集上，它比纯检测损失收敛得更稳，同时提升了后续人脸验证的精度。

这篇论文给我的启发是：损失函数不一定只能做分类和回归，它可以承载另一个子任务的目标。后来很多多任务检测网络也是这个思路，比如同时预测关键点、分割掩码或者嵌入向量。不过对通用目标检测来说，Cluster Loss直接套用的收益不如人脸检测明显，因为它依赖训练集中有明显的身份语义。想尝试的话，我建议把它理解成“辅助度量损失”，而不是把希望全压在聚类分支上。

4.3 ScratchDet：从零训练时如何稳住BN和初始化

ScratchDet是那一届里非常特别的一篇——它问了一个大家习以为常但很少质疑的问题：检测器真的需要ImageNet预训练吗？长期以来，做检测默认要用分类任务预训练好的backbone，否则收敛很慢，精度也差。但预训练和检测场景之间存在领域差异，而且很多实际任务的数据分布和自然图像差很远，迁移未必是最优解。

ScratchDet发现，从零训练检测器并非不行，关键在三点：合理的BN使用、合适的优化器、以及足够强的数据增强。论文里用RMSProp替代SGD，让ResNet从零训练时更容易稳住；同时把BN广泛接入backbone各层，解决深层网络梯度动荡的问题。在VOC和COCO上，它的SSD系列从零训练效果能接近甚至达到预训练版本的精度。

这篇论文的实操价值在于，如果你面对一个数据隐私要求很高或者领域差异很大的任务，完全可以试试不加载预训练权重。我在实际项目中试过从零训练一个检测器，loss波动确实比预训练版本大，尤其是前几个epoch，所以需要更长的warmup，学习率也不能给太猛。另外，从零训练对小batch size特别敏感，BN的统计量很容易偏，建议至少保证batch size在16以上，否则优先使用Group Normalization。

5. 复现与避坑随记：哪些论文值得深读，哪些坑我替你踩过了

5.1 精读优先级与复现难度评估

把这几篇CVPR2019的论文按“影响力和复现性价比”排个序，我的建议是这样的：

我的个人体会是，不要平均用力。想快速建立一个检测器知识框架，FCOS加Cascade R-CNN加GIoU这三篇足够搭起主干。Libra R-CNN可以帮你理解训练配方的重要性。剩下的按自己方向挑着看就行。

5.2 复现时最容易翻车的三个细节

第一个坑是Cascade R-CNN的re-sampling。很多人实现级联时只把上一个stage输出的框微调了一下，没重新和真实框计算IoU就送进下一个stage，结果精度不涨反降。一定要记住，级联的每一步接收的候选框分布都要和当前stage的训练阈值匹配，这是级联有效的根本原因。

第二个坑是GIoU的数值稳定性。计算闭包区域时，如果两个坐标值在浮点逼近下产生微小误差，面积可能变成负数或者极小值。混合精度训练中尤其容易出现NaN。我习惯在计算面积时对长宽做一个clip下限，同时在分母上加上一个很小的大于0的常数，比如0.0001。

第三个坑是FCOS的centerness。推理时要把centerness和分类分数相乘作为最终置信度，这在目标尺度差异极大的数据集上很容易误杀高质量预测。如果你发现召回率没有问题但AP不高，大概率是centerness把一些离中心稍远的正样本分数压得太低。这时候可以试着降低centerness分支的损失权重，或者在验证阶段先不乘centerness，对比一下再决定。

5.3 从2019往后看：哪些思想留了下来

如果站在现在回看2019这届CVPR，会发现很多争论的答案已经溶解在今天的检测器里。FCOS的逐像素预测和centerness成了YOLOX等新一代一阶段检测器的默认组件；ATSS把FSAF的在线选择和FCOS的密集预测整合成了一套完整的样本分配策略；GIoU之后出现了DIoU、CIoU，在YOLO系列和各类工程框架里成为标配；Cascade R-CNN的高质量检测思想也被各种SOTA模型以不同形式吸收，比如用两阶段甚至多阶段的方式逐级优化候选框。

NAS-FPN所代表的搜索式结构设计，后来演变成NAS、可微搜索、自动增广等一系列自动化方法论。ScratchDet的从零训练实验虽然没让大家都放弃预训练，但它推动大家重新审视预训练和下游任务之间的领域差距。这些思想的共同点是：它们都在回答检测器里“每个设计决策到底为什么存在”这个问题。理解了这个逻辑，你再看任何一篇新检测论文，都会习惯性地把它拆回这几个维度。

我自己现在读论文，仍然会习惯性先把2019这批工作拉出来对照。遇到一个新检测器，我会问：它有没有anchor？样本怎么定义？回归用什么loss？特征层怎么选？这几个问题的答案，基本都能从FCOS、FSAF、GIoU、Cascade R-CNN这些论文里找到对应。如果让我给一个最实在的建议，那就是别只啃摘要，至少把FCOS的centerness和Cascade的re-sampling亲手实现一遍，比读十篇论文都管用。那一年大家为Anchor-Free吵得不可开交，几年后再看，争论的答案早就长进了每个检测器的默认配置里。