原文：http://blog.csdn.net/yimingsilence/article/details/53995721

方法選擇：
========DPM=========

使用傳統的slider window的方法 計算量非常大
========OverFeat====

改進了Alex-net，並用影象縮放和滑窗方法在test資料集上測試網路；提出了一種影象定位的方法；最後通過一個卷積網路來同時進行分類，定位和檢測三個計算機視覺任務，並在ILSVRC2013中獲得了很好的結果。
========SPPNet======

RCNN在全連線層輸入需要歸一化影象尺寸，這裡不需要，在全連線層前加了一個spatial pyramid pooling空間金字塔pooling層。提取到的特徵有更好的尺度不變性，降低過擬合的可能。
========DeepID-Net==

人臉識別用的多
========RCNN =======

使用聚類的方法，對影象進行分個分組，得到多個候選框的層次組。原始圖片用Selective Search提取2k個候選框->候選框縮放成固定大小->經過CNN->經過兩個全連線層，分類。RCNN系列都有Caffe的原始碼
========Fast RCNN===

去掉RCNN中的重複計算，並微調候選框位置。原圖經過CNN提取特徵->提取域候選框->把候選框投影到特徵圖上Pooling取樣成固定大小->經過兩個全連線後分類與微調候選框位置
========Faster RCNN=

使用CNN來預測候選框。CNN提取特徵->經過核為3x3x256的卷積，每個點上預測k個anchor box是否是物體，並微調anchor box的位置->提取出候選框後，採用FastRCNN同樣的方式進行分類->選框與分類共用一個CNN網路。 
========R-FCN=======

效仿R-CNN，採用流行的物體檢測策略，包括區域建議和區域分類兩步。用Faster R-CNN中的區域建議網路(RPN)提取候選區域，該RPN為全卷積網路。效仿Faster R-CNN，同享RPN和R-FCN的特點。
========YOLO========

FasterRCNN要對20k個anchor box判斷是否是物體，然後在進行物體識別，分成了兩步。這裡的物體框的選擇和識別進行了結合，一步輸出，You Only Look Once.把原圖縮放成448x448大小->執行單個CNN->計算物體中心是否落入單元格、物體的位置、物體的類別。在7x7的框架下識別物體，遇到大量小物體時難以處理
========SSD=========

在不同層級的feature map下進行識別，能夠覆蓋更多的範圍。結合了YOLO和Faster的anchor。




========NMS=========

非極大值抑制，用來去重
========xywh VS syxy

兩種位置表示方法，誤差不一樣

http://www.cosmosshadow.com/ml/應用/2015/12/07/物體檢測.html

RCNN

• 原始圖片通過Selective Search提取候選框，約有2k個
• 侯選框縮放成固定大小
• 經過CNN
• 經兩個全連線後，分類

Fast RCNN

Fast R-CNN 
RCNN中有CNN重複計算，Fast RCNN則去掉重複計算，並微調選框位置。

• 整圖經過CNN，得到特徵圖
• 提取域候選框
• 把候選框投影到特徵圖上，Pooling取樣成固定大小
• 經兩個全連線後，分類與微調選框位置

Faster RCNN

• 整圖經過CNN，得到特徵圖
• 經過核為 3×3×2563×3×256 的卷積，每個點上預測k個anchor box是否是物體，並微調anchor box的位置
• 提取出物體框後，採用Fast RCNN同樣的方式，進行分類
• 選框與分類共用一個CNN網路

anchor box的設定應比較好的覆蓋到不同大小區域，如下圖:

一張1000×6001000×600的圖片，大概可以得到20k個anchor box(60×40×960×40×9)。

R-FCN

R-FCN: Object Detection via Region-based Fully Convolutional Networks 
RCNN系列(RCNN、Fast RCNN、Faster RCNN)中，網路由兩個子CNN構成。在圖片分類中，只需一個CNN，效率非常高。所以物體檢測是不是也可以只用一個CNN？  
圖片分類需要相容形變，而物體檢測需要利用形變，如何平衡？  
R-FCN利用在CNN的最後進行位置相關的特徵pooling來解決以上兩個問題。

經普通CNN後，做有 k2(C+1)k2(C+1) 個 channel 的卷積，生成位置相關的特徵(position-sensitive score maps)。 
CC 表示分類數，加 11 表示背景，kk 表示後續要pooling 的大小，所以生成 k2k2 倍的channel，以應對後面的空間pooling。

普通CNN後，還有一個RPN(Region Proposal Network)，生成候選框。 
假設一個候選框大小為 w×hw×h，將它投影在位置相關的特徵上，並採用average-pooling的方式生成一個 k×k×k2(C+1)k×k×k2(C+1) 的塊(與Fast RCNN一樣)，再採用空間相關的pooling(k×kk×k平面上每一個點取channel上對應的部分資料)，生成 k×k×(C+1)k×k×(C+1)的塊，最後再做average-pooling生成 C+1C+1 的塊，最後做softmax生成分類概率。 
類似的，RPN也可以採用空間pooling的結構，生成一個channel為 4k24k2的特徵層。 
空間pooling的具體操作可以參考下面。

訓練與SSD相似，訓練時拿來做lost計算的點取一個常數，如128。  
除去正點，剩下的所有使用概率最高的負點。

YOLO

You Only Look Once: Unified, Real-Time Object Detection 
Faster RCNN需要對20k個anchor box進行判斷是否是物體，然後再進行物體識別，分成了兩步。 
YOLO則把物體框的選擇與識別進行了結合，一步輸出，即變成”You Only Look Once”。

• 把原始圖片縮放成448×448448×448大小
• 執行單個CNN
• 計算物體中心是否落入單元格、物體的位置、物體的類別

模型如下:

• 把縮放成統一大小的圖片分割成S×SS×S的單元格
• 每個單元格輸出B個矩形框(冗餘設計)，包含框的位置資訊(x, y, w, h)與物體的Confidence
• 每個單元格再輸出C個類別的條件概率P(Class∣Object)P(Class∣Object)
• 最終輸出層應有S×S×(B∗5+C)S×S×(B∗5+C)個單元
• x, y 是每個單元格的相對位置
• w, h 是整圖的相對大小

Conficence定義如下:

在原論文中，S = 7，B = 2，C = 20，所以輸出的單元數為7×7×307×7×30。

代價函式:

其中 λcoord=5λcoord=5，λnoobj=0.5λnoobj=0.5。 
一般，ww 與 hh 不是在 [0,1][0,1] 上的均勻分佈，偏小，所以開方。  
注: 開方的解釋是我自己的估計，可能不對。 

SSD

SSD: Single Shot MultiBox Detector 
YOLO在 7×77×7 的框架下識別物體，遇到大量小物體時，難以處理。 
SSD則在不同層級的feature map下進行識別，能夠覆蓋更多範圍。

假設在 mm 層 feature map 上進行識別，則第 kk 層的基本比例為

比如 smin=0.2smin=0.2，smax=0.95smax=0.95，表示整張圖片識別物體所佔比最小 0.2，最大 0.95。 
在基本比例上，再取多個長寬比，令 a={1,2,3,1/2,1/3}a={1,2,3,1/2,1/3}，