目标检测方法演进过程
最初的传统方法
最初的方法中基本的流程如下：
输入一张图片
人工选择特征区域，得到特征向量
-
通过传统的机器学习分类器对特征向量进行分类（如神经网络、SVM、随机森林、决策树等）
传统目标检测.jpg
发展至今的深度学习方法
整体的发展可以看出，节省了人工筛选特征的过程，现在的思路是直接输入一张图片，通过CNN得到目标的类别与位置。
深度学习目标检测方法发展史
RCNN（2014）
论文地址：https://arxiv.org/abs/1311.2524
算法流程：
输入一张图片
通过selective search的方法提取出候选区域region proposal，大约2K张子图
依次将每张候选区域的子图缩放到统一的尺寸，再送入CNN中进行特征提取，得到特征向量
通过SVM对特征向量进行分类 + NMS + bbox回归的方式得到最终结果
说明：
selective search的方法原理：根据图像直方图分布相似的相邻区域进行合并，得到一个候选区域，依次统计出整张图所有区域，得到最终的所有候选区域，约2K
这里的bbox回归的目标是（dx, dy, dw, dh），且坐标需要进行归一化
存在的问题：
需要对所有的候选区域进行CNN的特征提取，效率非常慢
SVM和回归器属于后处理，也就是说CNN阶段和后面的SVM和回归器是独立的
训练过程分多阶段，训练复杂
Fast R-CNN（2015）
论文地址：https://arxiv.org/pdf/1504.08083.pdf
算法流程：
输入一整张图片进入模型
通过CNN对整张图片进行特征提取，得到特征图feature map
根据ROI projection提取出各个候选区域的特征图
将特征图通过ROI pooling统一到固定的尺寸（7*7）
通过全连接层+softmax和regressor分别进行分类和边框回归
说明：
这里是通过整张图作为模型输入的，不裁剪子图，而是通过selective search的方法得到ROI（感兴趣区域，即候选区域），将其位置信息记录下来
CNN的特征提取使用了VGG的前4个阶段，尺寸会缩小为原图的1/16（完整的VGG有5个阶段的降采样）
ROI pooling的方法是：首先将原图中各个ROI的位置坐标缩小16倍，取整后得到在特征图上的映射区域，将该区域作为该ROI的特征图，然后将特征图分为7*7的小区域（第二次取整操作），每个小区域通过max pooling 的方式，最终所有的特征图都变为了7X7的尺寸，即可进入后面的FC。
多任务结合的损失函数： 多分类的CE损失+基于offset的位置回归损失（smooth L1）
问题：
- ROI中包括两步的取整操作，会带来较大的位置偏差，导致定位不准
相比于RCNN的改进：
使用整张图片作为模型的输入进行特征提取
通过ROIprojection的方式得到各个ROI的特征图
ROI pooling的方式对特征图进行尺寸的统一
全部使用CNN来解决分类和边框回归的问题，不再使用SVM和线性回归器
