本项目只关注单尺度原图输入做推理，不会对比使用长边拉伸到1600、使用多尺度等等操作得出的mAP结果，因为考虑的是落地使用，不是为了刷分而存在。QQ群：936842116
-
CenterNet这种基于高斯点的方式，对小目标天生友好，所以小目标很出众，也因此hard set的结果很容易做的很高，但是造成的结果通常是easy和medium不高
-
WiderFace的hard、medium、easy其实是按照人脸大小区分的，而hard打开后发现通常只有5*5甚至更小的脸
-
如果过分追求hardset结果，只会导致检测器比较敏感，实际体验效果会差
-
CenterNet原始的模式，对大目标天生容易效果不好，官方版本DLA配了DCN来缓解这类问题，但是没有DCN的小网络就很明显感受到大目标的无力感。anchorbase和anchorfree的差距就在这里
-
CenterNet AnchorFree的特性是所有目标都一个点，正类贡献无论大小都一样，Anchor Base的特性是目标越大正类loss贡献越大，也正因此，大目标在CenterNet上训练效果总是不好
-
解决大目标不行，本项目提倡增加pos_weights来处理，并且增加大目标的权重，实验证明有良好的提升大目标效果，具体可以参考代码。
-
对于保留12*12，低于这个分辨率的直接做了负样本做法是不合理的，合理的做法是忽略，不应该对loss产生贡献，具体参考代码。这么做能够保证大目标的同时，提升hard小目标的精度
-
对于landmark，我们倾向于不除以宽高，否则框的不准确直接导致点也存在累积误差而不准确，所以我们是基于中心的，同时使用了定制exp来做压缩值域操作
-
双线性插值Bilinear+Conv+BN+Activation的上采样模块，优于用反卷积、最近邻插值等，所以比较推荐，但是不同框架对这个的支持不一样，造成使用困难。但是可能的情况还是建议使用这个搭配。他带来的时间消耗并不大，带来的效果却是很值得的。TensorRT可以使用插件实现bilinear，晚点我会发布到tensorRTIntegrate项目中，实现双线性插值
-
检测的head模块，有个has_ext，是指是否有提取特征的部分，其实就是是否在每个head前面增加一个CBA（Conv+BN+Activation），如果需要提升效果，直接给True，效果是有明显提升的，但是会使得速度有点点降低，这个看具体需求场景。模型会大一点（比如400KB）
-
测速这块儿因为工作太忙了，一直没来得及做速度比较。但是大概比较是我们的小模型(1.3MB)在selfie.jpg(2048 x 1150)上跑100次平均速度是8ms，比retinaface-mnet的6ms慢了2ms，（单独forward，tensorRT6.0，GTX1080Ti，没有预处理后处理），但是效果比他好，看指标就知道了
- 对增广后的图像中，通常会设置保留最小的人脸大小，比如设置为12*12保留去训练，然而当你设置更低，例如8x8或者5x5时，hard提升非常明显
- 如果做推理时把图像放大，这个很明显不用我说，对hard提升很大，也正因此本项目提倡采用原始分辨率单尺度，这种为了刷分骗自己没有什么意思
- 但是如果是为了使用，hard通常太高并没有什么意义，我们应该追求easy和medium更高才对