当前针对目标检测算法有两种思路（暂时不考虑anchor free），其中一种是轻量化two-stage检测算法（如thundernet），另外一种就是
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），包括基于SSD改进的refinedet，基于FPN的RetinaNet等等。
AlignDet就是在RefinDet的基础上的进一步工作，它指出了one-stage和two-stage的精度差距的本质问题--特征对齐问题（其实这个问题在19年的1月份
RefineDet的作者就在一个讲座里指出了，不知道为啥让图森的人抢先了。另外似乎跟RepPoints里的basemodel一样，
在知乎引发了热议https://www.zhihu.com/question/338959309）。
1、多尺度特征和One-stage
在two-stage中，通过roipooling或者roialign可以解决特征的对齐问题。在One-stage中，可以通过FPN来缓解特征的对齐问题--FPN中，不同尺度的
bbox，会对应不同尺度的feature。作者做了一组实验，分别在faster rcnn和retinaNet中，去除FPN，one-stage精度下降的更厉害。
另外关于特征对齐，可参考上述知乎链接里kwduan的回答。
2、RoIConv
思路：由anchor回归得到learned anchor之后，根据stride算出其对应特征图的offsets，
然后dcn用这个offsets,去卷积learned anchor 对应的feature，这样就将特征对齐了。将
对齐后的特征再次进行分类和回归。（疑问：既然已经知道了learned anchor了，为什么
还要算offsets，再去用dcn呢？直接用一个conv不就可以了吗？）
3、AlignDet
如图，个人感觉这已经不是one stage了。其中DPM可以是RPN，SSD等，这部分就是一个One-stage。
经过RoiConv去做特征对齐，再去做分类和回归。
（想法：和two-stage相比，这里采用了全卷积网络，差别就剩没有耗时的roi-pooling了，这也是AlignDet的速度仍然要比two-stage快的原因。）
4、实验
（1）只使用单一尺度，可以看到RoIConv高了5个点，还是挺牛逼的。
（2）在多尺度FPN上增加RoiConv仍然可以提高。（疑问：不加ADM的AlignDet,不就是DPM略有变化的RetinaNet吗？效果为啥差别这么大？）
（3）不同阶段采用不同的iou来挑选样本（类似与cascade rcnn）。在dpm阶段使用较低的iou，在adm阶段使用较高的iou，整体看
效果最好。
（4） RoiConv的设计。越大越好，同时为了速度考虑，在使用7*7RoiConv的同时，p3的RoiConv使用3*3（是为了在paper里速度比RetinaNet好看吗？）
想法
总的来看还是一篇不错的paper，对特征对齐给出了一个不错的解决方法，可惜有些细节还有疑问，目前还没有开源。
one-stage和two-stage现在的界限越来越模糊了，此前我曾移植过mobilenet-refinedet，速度并不理想，不知道轻量级的aligndet效果怎么样
，还是有些期待的。