one stage
1、RCNN -> Fast-RCNN：RPN部分从用传统的算法 -> 用深度学习网络来实现。
2、Fast-RCNN -> Faster-RCNN：从先选region再求Feature -> 先求Feature再选region。
two stage
1、SSD（2016）：VGG做backbone，加入多尺度特征图融合
2、Retinanet（2017）：最大的贡献在于用了Focal loss解决了类别不平衡问题。使得一阶段算法的准确度高于了两阶段。
3、YOLO
目标检测算法的主要思路
1、选择候选框
2、提取特征预测候选框的类别及区域优化，所以一个候选框通常有五个参数：box的四个参数和一个类别预测值
3、loss主要由类别损失和BoundingBox的损失组成
4、算法主要的改进思路：①候选框的选取（比例、中心等） ②特征提取的网络 ③损失函数的计算 ④计算损失时采样的规则