目標檢測的指標：

1）識別精度
2）識別效率
3）定位準確性

CVPR2016專題：

CVPR/ICCV目標檢測最新論文

2016年的CVPR目標檢測（這裡討論的是2D的目標檢測）的方法主要是
基於CNN的框架，代表性的工作有

ResNet[1]（Kaiming He等）、
YOLO[5]（Joseph Redmon等）、
LocNet[7]（Spyros Gidaris等）、
HyperNet[3]（Tao Kong等）、
ION[2]（Sean Bell等）、
G-CNN[6]（Mahyar Najibi等）。

[1] He K, Zhang X, Ren S, et al. Deep residual learning for image recognition

[2] Bell S, Zitnick C L, Bala K, et al. Inside-outside net: Detecting objects in context with skip pooling and recurrent neural networks. In CVPR 2016

[3] Kong T, Yao A, Chen Y, et al. HyperNet: Towards Accurate Region Proposal Generation and Joint Object Detection. In CVPR 2016

[4] Cheng M M, Zhang Z, Lin W Y, et al. BING: Binarized normed gradients for objectness estimation at 300fps

[5] Redmon J, Divvala S, Girshick R, et al. You only look once: Unified, real-time object detection. In CVPR 2016

[6] Najibi M, Rastegari M, Davis L S. G-CNN: an Iterative Grid Based Object Detector. In CVPR 2016

[7] Gidaris S, Komodakis N. LocNet: Improving Localization Accuracy for Object Detection

[8] Shrivastava A, Gupta A, Girshick R. Training region-based object detectors with online hard example mining. In CVPR 2016

[9] Girshick R. Fast R-CNN. In ICCV 2015

[10] Ren S, He K, Girshick R, et al. Faster R-CNN: Towards real-time object detection with region proposal networks. In NIPS 2015

[11] Liu W, Anguelov D, Erhan D, et al. SSD: Single Shot MultiBox Detector[J]. arXiv preprint arXiv:1512.02325, 2015.

1. Deep Residual Learning for Image Recognition
   這是kaiming組那篇影響力很大的文章，不用說了

2. You Only Look Once: Unified, Real-Time Object Detection
   YOLO用純CNN來做檢測，可以達到實時的效果，雖然今年SSD的效果做的好很多，但YOLO確實起到了先驅的作用。

3. Training Region-Based Object Detectors With Online Hard Example Mining
   這個工作比較新，他提供了在F-RCNN的框架下，在訓練過程中如何對樣本進行選擇的一種解決方案。而且確實work。

4. Accurate Image Super-Resolution Using Very Deep Convolutional Networks
   這是做超解析度重建的一篇文章，主要的創新點在於在網路的最後用原圖來輔助重建，有點殘差網的意思，當然效果也很好。

5. Inside-Outside Net: Detecting Objects in Context With Skip Pooling and Recurrent Neural Networks
   在F-RCNN的框架下如何對特徵進行增強，文章主要考慮了multi-layer fusion和context資訊。

6. HyperNet: Towards Accurate Region Proposal Generation and Joint Object Detection
   通過對CNN的多層特徵進行融合提高定位準確性，利用類似於Faster-RCNN的方式進行目標檢測

7. Exploit All the Layers: Fast and Accurate CNN Object Detector With Scale Dependent Pooling and Cascaded Rejection Classifiers.
   通過在CNN的多層建立級聯分類器來抑制負樣本（在目標檢測中對負樣本進行合理抑制起到了關鍵作用）