當前針對目標檢測算法有兩種思路（暫時不考慮anchor free），其中一種是輕量化two-stage檢測算法（如thundernet），另外一種就是
提高one-stage算法的精度，如使用更好的特征（特征融合、多尺度特征FPN等），包括基於SSD改進的refinedet，基於FPN的RetinaNet等等。
AlignDet就是在RefinDet的基礎上的進一步工作，它指出了one-stage和two-stage的精度差距的本質問題--特征對齊問題（其實這個問題在19年的1月份
RefineDet的作者就在一個講座里指出了，不知道為啥讓圖森的人搶先了。另外似乎跟RepPoints里的basemodel一樣，
在知乎引發了熱議https://www.zhihu.com/question/338959309）。
1、多尺度特征和One-stage
在two-stage中，通過roipooling或者roialign可以解決特征的對齊問題。在One-stage中，可以通過FPN來緩解特征的對齊問題--FPN中，不同尺度的
bbox，會對應不同尺度的feature。作者做了一組實驗，分別在faster rcnn和retinaNet中，去除FPN，one-stage精度下降的更厲害。
另外關於特征對齊，可參考上述知乎鏈接里kwduan的回答。
2、RoIConv
思路：由anchor回歸得到learned anchor之后，根據stride算出其對應特征圖的offsets，
然后dcn用這個offsets,去卷積learned anchor 對應的feature，這樣就將特征對齊了。將
對齊后的特征再次進行分類和回歸。（疑問：既然已經知道了learned anchor了，為什么
還要算offsets，再去用dcn呢？直接用一個conv不就可以了嗎？）
3、AlignDet
如圖，個人感覺這已經不是one stage了。其中DPM可以是RPN，SSD等，這部分就是一個One-stage。
經過RoiConv去做特征對齊，再去做分類和回歸。
（想法：和two-stage相比，這里采用了全卷積網絡，差別就剩沒有耗時的roi-pooling了，這也是AlignDet的速度仍然要比two-stage快的原因。）
4、實驗
（1）只使用單一尺度，可以看到RoIConv高了5個點，還是挺牛逼的。
（2）在多尺度FPN上增加RoiConv仍然可以提高。（疑問：不加ADM的AlignDet,不就是DPM略有變化的RetinaNet嗎？效果為啥差別這么大？）
（3）不同階段采用不同的iou來挑選樣本（類似與cascade rcnn）。在dpm階段使用較低的iou，在adm階段使用較高的iou，整體看
效果最好。
（4） RoiConv的設計。越大越好，同時為了速度考慮，在使用7*7RoiConv的同時，p3的RoiConv使用3*3（是為了在paper里速度比RetinaNet好看嗎？）
想法
總的來看還是一篇不錯的paper，對特征對齊給出了一個不錯的解決方法，可惜有些細節還有疑問，目前還沒有開源。
one-stage和two-stage現在的界限越來越模糊了，此前我曾移植過mobilenet-refinedet，速度並不理想，不知道輕量級的aligndet效果怎么樣
，還是有些期待的。