- 滑窗（SW）：其基本原理就是采用不同大小和比例（宽高比）的窗口在整张图片上以一定的步长进行滑动，然后对这些窗口对应的区域做图像分类，这样就可以实现对整张图片的检测了。
缺点：致命的缺点就是你并不知道要检测的目标大小是什么规模，所以你要设置不同大小和比例的窗口去滑动，而且还要选取合适的步长。但是这样会产生很多的子区域，并且都要经过分类器去做预测，这需要很大的计算量，所以你的分类器不能太复杂，因为要保证速度。
2.CNN：实现更高效的滑动窗口方法，网络中用卷积层代替了全连接层，一次CNN计算就可以实现窗口滑 动的所有子区域的分类预测，图片的空间位置信息的不变性，尽管卷积过程中图片大小减少，但是位置对应关系还是保存的。
缺点：固定大小与步长的窗口，定位不够准确，定位框形状固定。
3.YOLO算法：把图像划分为NXN个小区域，以小区域为单位给目标设定一个（BX5+C）个值的标签，5包括：置信度，x，y，w，h；C是要检测的目标类别。最后卷积产生形状为NXNX（BX5+C）大小的张量来拟合各个小区域的目标标签。解决了定位框大小固定的问题。
缺点：一个单元格内存在多个目标，这时候Yolo算法就只能选择其中一个来训练；Yolo各个单元格仅仅预测两个边界框，而且属于一个类别；对于小物体，Yolo的表现会不如人意。这方面的改进可以看SSD，其采用多尺度单元格。也可以看Faster R-CNN，其采用了anchor boxes。Yolo对于在物体的宽高比方面泛化率低，就是无法定位不寻常比例的物体。当然Yolo只使用NXN的网格，定位不准确也是很大的问题。
4.区域连通分析（CC）：对象是一张二值化后的图像。
有两种方法：Two-Pass和Seed-Filling。Seed-Filling：
1）扫描图像，直到当前像素点B(x,y) == 1：
a、将B(x,y)作为种子（像素位置），并赋予其一个label，然后将该种子相邻的所有前景像素都压入栈中；
b、弹出栈顶像素，赋予其相同的label，然后再将与该栈顶像素相邻的所有前景像素都压入栈中；
c、重复b步骤，直到栈为空；
此时，便找到了图像B中的一个连通区域，该区域内的像素值被标记为label；
2）重复第（1）步，直到扫描结束；
扫描结束后，就可以得到图像B中所有的连通区域；
5.多尺度候选区域的方法：
R-CNN：Selective Search得到大小不以的候选区域-->针对每个候选区域做warp缩放成统一大小的候选区域-->针对每个区域做CNN提取特征,并保存到硬盘-->SVM对各个候选区域特征做分类。
缺点：非端到端，做warp图像失真，Selective Search和对每一个候选区域做CNN导致速度慢。
Fast R-CNN：Selective Search得到大小不以的候选区域-->针对原图做CNN提取全图特征-->全图特征对候选区做映射，得到各个候选区特征-->针对大小不一的候选区做ROI Pooling（SPP Net）将候选区特征大小统一-->Linear+softmax分类+Bounding-box regression。
ROI pooling具体操作如下：
（1）根据输入image，将ROI映射到feature map对应位置；
（2）将映射后的区域划分为相同大小的sections（sections数量与输出的维度相同）；
（3）对每个sections进行max pooling操作；
缺点：Selective Search仍然慢
6.YOLO的回归思想速度快但定位精度不算高，候选区方法（Region Proposal）精度高但速度不是特别快，把两者结合-->SSD，精度高VOC2007上mAP达到72.1%，在GPU上58帧每秒。
SSD算法步骤：
1. 输入一幅图片（200x200），将其输入到预训练好的分类网络中来获得不同大小的特征映射，修改了传统的VGG16网络；将VGG16的FC6和FC7层转化为卷积层，如图1上的Conv6和Conv7；去掉所有的Dropout层和FC8层；添加了Atrous算法（hole算法）；将Pool5从2x2-S2变换到3x3-S1；
- 抽取Conv4_3、Conv7、Conv8_2、Conv9_2、Conv10_2、Conv11_2层的feature map，然后分别在这些feature map层上面的每一个点构造6个不同尺度大小的BB，然后分别进行检测和分类，生成多个BB，如图1所示；
3. 将不同feature map获得的BB结合起来，经过NMS（非极大值抑制）方法来抑制掉一部分重叠或者不正确的BB，生成最终的BB集合（即检测结果）；
训练过程中：
1.数据增强：旋转，放大，缩小等；
Hard Negative Mining技术
一般情况下negative default boxes数量是远大于positive default boxes数量，如果随机选取样本训练会导致网络过于重视负样本（因为抽取到负样本的概率值更大一些），这会使得loss不稳定。因此需要平衡正负样本的个数，我们常用的方法就是Hard Ngative Mining，即依据confidience score对default box进行排序，挑选其中confidience高的box进行训练，将正负样本的比例控制在positive：negative=1：3，这样会取得更好的效果。如果我们不加控制的话，很可能会出现Sample到的所有样本都是负样本（即让网络从这些负样本中找正确目标，这显然是不可以的），这样就会使得网络的性能变差。匹配策略（即如何重多个default box中找到和ground truth最接近的box）
首先，寻找与每一个ground truth有最大的IoU的default box，这样就能保证ground truth至少有default box匹配；SSD之后又将剩余还没有配对的default box与任意一个ground truth尝试配对，只要两者之间的IoU大于阈值（SSD 300 阈值为0.5），就认为match；配对到ground truth的default box就是positive，没有配对的default box就是negative。
总之，一个ground truth可能对应多个positive default box，而不再像MultiBox那样只取一个IoU最大的default box。其他的作为负样本（每个default box要么是正样本box要么是负样本box）。
SSD论文贡献：
1. 引入了一种单阶段的检测器，比以前的算法YOLO更准更快，并没有使用RPN和Pooling操作；
2. 使用一个小的卷积滤波器应用在不同的feature map层从而预测BB的类别的BB偏差；
3. 可以在更小的输入图片中得到更好的检测效果（相比Faster-rcnn）；
4. 在多个数据集（PASCAL、VOC、COCO、ILSVRC）上面的测试结果表明，它可以获得更高的mAp值；
Faster-rcnn与SSD比较：
如图所示，对于BB的生成，Faster-rcnn和SSD有不同的策略，但是都是为了同一个目的，产生不同尺度，不同形状的BB，用来检测物体。对于Faster-rcnn而言，其在特定层的Feature map上面的每一点生成9个预定义好的BB，然后进行回归和分类操作进行初步检测，然后进行ROI Pooling和检测获得相应的BB；而SSD则在不同的特征层的feature map上的每个点同时获取6个不同的BB(6种滑窗)，然后将这些BB结合起来，最后经过NMS处理获得最后的BB。
非极大值抑制的方法是：先假设有6个矩形框，根据分类器的类别分类概率做排序，假设从小到大属于车辆的概率 分别为A、B、C、D、E、F。
(1)从最大概率矩形框F开始，分别判断A~E与F的重叠度IOU是否大于某个设定的阈值;
(2)假设B、D与F的重叠度超过阈值，那么就扔掉B、D；并标记第一个矩形框F，是我们保留下来的。
(3)从剩下的矩形框A、C、E中，选择概率最大的E，然后判断E与A、C的重叠度，重叠度大于一定的阈值，那么就扔掉；并标记E是我们保留下来的第二个矩形框。
就这样一直重复，找到所有被保留下来的矩形框。
