mAP

mean Average Precision:在每個類上的平均準確率

NMS

非極大值抑制

1. 針對每個類的候選框，根據得分從大到小排序
2. 取最大得分的候選框，依次和後面的候選框進行IoU計算，若大於閾值，則刪除得分低的。否則認為影象中存在多個同類物體。
3. 依次在得分較低的候選框上計算2，得到最終候選框。

這裡有說可以在最後一步結果上刪除候選框得分小於閾值的。但是完全可以在開始就做這一步呀。

selective search

選擇性搜尋

1. 簡單演算法將影象劃分成一個個小區域集合R

2. R中每個相鄰區域相似度組成集合s

3. 取s中最相近的兩個區域，合併後新增入R

4. 刪除s中和3相關子集

5. 計算新的相似度

6. 迴圈到3，直至s為空

EdgeBoxes

Anchor Box

DPM

hard negative mining

難分樣本挖掘

將分類錯誤的負樣本劃分為負樣本繼續訓練。

代表演算法：OHEM

image-centric sampling

FPN

特徵金字塔網路；在每個尺度層面進行預測。用於RPN

RPN

proposal :大概位置

區域建議網路：

每個點有9個錨點，將9個錨點中的物件進行檢測後迴歸，再進行非極大值抑制來得到最終需要的待檢測框。

SVD

ROI Align

相對於ROI 池化的取整損失精度，採用了保留浮點數的方式，讓結果更準確。

RoI Warping Layer

R-CNN

1. 使用selective search選擇約2000個候選框
2. 對影象padding16後，將影象變形為227*227以適應AlexNet的輸入
3. 對每個候選框減去影象均值（預處理）後輸入AlexNet產生2000*4096的特徵矩陣
4. 使用svm將每個候選矩陣分類，20個分類器這裡，因為是svm是2分類
5. 使用NMS進行篩選
6. 使用迴歸器進行迴歸以修正結果

存在問題：慢，複雜。。

SPPnet

Fast-RCNN

1. 對整幅圖卷積，得到特徵圖
2. 對原圖進行selective search得到候選框
3. 從2的候選框在特徵圖中取到特徵框
4. 通過池化得到相同大小特徵框（ROI池化）就是每個max pooling的範圍大小不固定。
5. 將相同大小特徵框輸入全連線層得到固定大小特徵向量
6. 將5所得特徵向量並行經過兩個全連線層，分別得到softmax的類別輸出和bounding-box的視窗迴歸。
7. 對每個類非極大值抑制後，得到的特徵框迴歸修正。

相對改進：

對整個影象進行一次卷積後，selective search的結果，選取特徵區域。

取消了SVM，節約了儲存空間

採用了SVD，優化全連線速度。

Faster-RCNN

1. 對整幅圖進行卷積，卷積的前半部分共享，產生的特徵一部分用於繼續後面的Fast-RCNN使用，一部分輸入RPN網路
2. 通過RPN網路得到候選框，其他同上Fast-RCNN

RPN訓練時產生2000個，測試時300個。

MASK_RCNN

修改ROI pooling 為ROI Align的Faster-RCNN

FCIS

YOLO

同樣也是對整幅圖卷積，不過不再使用預測框+分類的方式，而是直接對結果迴歸。也有多個版本的變遷。

SSD

MobileNet

感覺這個網路就是一種速度和記憶體的優化吧。用於移動端