目标检测的发展很快，尤其是从R-CNN提出以来，每年都会有新的模型被提出，不断刷新各个数据集的Top1.
这里把比较经典的论文阅读笔记记录下来，以更好理解目标检测的发展历程。
Update date: 2018.11.06 note: 添加YOLO V3的代码解读
先来个综述，整体感受一下发展脉络：
目标检测算法综述：R-CNN，faster R-CNN，yolo，SSD，yoloV2
R-CNN
论文：Rich feature hierarchies for accurate object detection and semantic segmentation
论文翻译： R-CNN -论文翻译
论文详解： R-CNN论文详解
Fast R-CNN
论文： Fast R-CNN
论文翻译：Fast R-CNN翻译
论文详解：Fast R-CNN论文详解
Faster R-CNN
论文：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks
论文翻译： Faster R-CNN
论文详解：
Faster R-CNN论文详解
Faster-rcnn详解
Mask R-CNN
论文：Mask R-CNN
论文翻译：Mask R-CNN 论文翻译
论文详解：Mask R-CNN详解
实例应用：先理解Mask R-CNN的工作原理，然后构建颜色填充器应用
严格说来，Mask R-CNN是属于实例分割（Instance segmentation）范畴的，不过由于它也能应用于目标检测，而且采用R-CNN结构，所以先拿来学习一下了。
FCN(Fully Convolutional Networks)
Faster-RCNN中使用了RPN(Region Proposal Network)替代Selective Search等产生候选区域的方法。这个RPN是一种全卷积网络，为了详细了解，有必要学习一下FCN。
论文： Fully Convolutional Networks for Semantic Segmentation
论文翻译：FCN-论文翻译
论文详解：
FCN的学习及理解
FCN学习:Semantic Segmentation
FPN(Feature Pyramid Networks)
多尺度特征表示。
论文：Feature Pyramid Networks for Object Detection
论文翻译：Feature Pyramid Networks for Object Detection论文翻译——中英文对照
论文详解：
CVPR 2017论文解读：特征金字塔网络FPN
论文 - Feature Pyramid Networks for Object Detection (FPN)
R-FCN(Region-based Fully Convolutional Networks)
论文：R-FCN: Object Detection via Region-based Fully Convolutional Networks
论文翻译：R-FCN论文翻译——中英文对照
论文详解：R-FCN论文详解
R-CNN系列总结
RCNN,Fast RCNN,Faster RCNN 总结
CNN图像分割简史：从R-CNN到Mask R-CNN
以上是two-stage方法
以下是one-stage方法
SSD
论文：SSD: Single Shot MultiBox Detector
论文翻译：Single Shot MultiBox Detector论文翻译——中英文对照
论文详解：目标检测|SSD原理与实现
代码详解：【深度学习SSD】——深刻解读SSD tensorflow及源码详解
YOLO
论文：You Only Look Once: Unified, Real-Time Object Detection
论文翻译：YOLO论文翻译——中英文对照
论文详解：YOLO详解
YOLO（You Only Look Once）算法详解
YOLO v2, YOLO9000
论文：YOLO9000: Better, Faster, Stronger
论文翻译：YOLO9000, Better, Faster, Stronger论文翻译——中英文对照
论文详解：YOLO v2算法详解
YOLO v3
论文：YOLOv3: An Incremental Improvement
论文翻译：YOLOv3：An Incremental Improvement全文翻译
论文详解：
物体检测之YOLOv3
目标检测网络之 YOLOv3
代码详解
贴一下YOLO系列的作者主页：Joseph Chet Redmon
目标检测算法等总结对比
再来个大总结：
后 R-CNN时代， Faster R-CNN、SSD、YOLO 各类变体统治下的目标检测综述：Faster R-CNN系列胜了吗？
论文中的细节点
- Selective Search for Object Recognition
Selective Search for Object Recognition解读 - Bounding Box Regression
边框回归(Bounding Box Regression)详解 - 感受野
如何计算感受野(Receptive Field)——原理
我这个刚入门的，感觉应该已经有这种各个论文的中英文翻译对照了，果然在github上看到了：
Deep Learning Papers Translation
先写到这里，后续还有~~
后记：时间果然还是太少了，花了大约五天来看这些相关的知识，从中挑选来这些个人觉得比较好的blog记录在这里。很多细节还没有看明白，需要从source code层面了解具体步骤。
Plan
- 用tensor flow实现以上模型中的几种。比如简单实用的SSD， YOLOv3等～
