總結的算法包括：OverFeat、yolo 系列、SSD、Deformable-ConvNets、R-CNN系列、R-FCN、FPN。
算法綜述：
解釋one stage和 two stage：
前者是先由算法生成一系列作爲樣本的候選框，再通過卷積神經網絡進行樣本分類；後者則不用產生候選框，直接將目標邊框定位的問題轉化爲迴歸問題處理。前者在檢測準確率和定位精度上佔優，後者在算法速度上佔優。
OverFeat
論文：OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks
作者：Yann Lecun及紐約大學團隊
年份：CVPR 2013
評價：2013年ImageNet 定位任務冠軍，利用滑動窗口和規則塊生成候選框，首次將分類、定位以及檢測三個計算機視覺任務放在一起解決，解決圖像目標形狀複雜、尺寸不一問題。
參考博客：論文筆記、OverFeat學習
做法：
- 用一個共享的CNN來同時處理圖像分類，定位，檢測三個任務，可以提升三個任務的表現。
- 用CNN有效地實現了一個
多尺度（實驗最多輸入了6個不同尺度的圖像）的滑動窗口（使用FCN，預測加入offset max-pooling，但是證明了提升效果不明顯）來處理任務。 - 提出
累積預測來求bounding boxes（而不是傳統的非極大值抑制）。
分類任務的網絡分爲兩個版本，一個快速版，一個精確版。下圖是精確版的網絡結構圖。
類似於AlexNet，有幾點不同，一是沒有使用LRN(局部響應歸一化)，二是沒有使用重疊的池化，三是stride的超參用2代替了4，大stride可以提升速度，減小精度。
解釋FCN(全卷積，即將全連接層更換爲1✖️1卷積)
- 參數量不變;
- 相比傳統的滑動窗口一次滑動生成一個窗口，只需要執行一次。
![在這裏插入圖片描述]()
解釋offset max-pooling
採用1維做示例，假設在x軸上有20個神經元，如果我們選擇池化size=3的非重疊池化，從1位置開始進行分組，每3個連續的神經元爲一組，然後計算每組的最大值(最大池化)，19、20號神經元將被丟棄，如下圖所示：
如果我們只分6組的話，我們除了以1作爲初始位置進行連續組合之外，也可以從位置2或者3開始進行組合。也就是說我們其實有3種池化組合方法：
A、△=0分組：[1,2,3]，[4,5,6]，……，[16,17,18]；
B、△=1分組：[2,3,4]，[5,6,7]，……，[17,18,19]；
C、△=2分組：[3,4,5]，[6,7,8]，……，[18,19,20]；
對應圖片如下：
拓展到2維（△x,△y），一共9種預測結果，取最大值作爲最後結果。
驗證集上的分類結果
其中coarse stride表示Δ=0，fine stride表示Δ=0,1,2。
- 使用fine stride可以提升模型表現，但是提升不大，說明實際上offset-pooling在這裏的作用不大；
- 使用多scale，增加scale可以提升模型表現；
- 最後多模型融合，又提升了表現。
定位任務把分類任務網絡結構的layer 6~output給重新設計一下，把分類改成迴歸問題，然後在各種不同尺度上訓練預測物體的bounding box，根據box和真實box之間的l2損失進行訓練。
解釋累積預測
累積預測是通過在每個類別計算兩個框之間的最短距離進行合併，非極大值抑制每次淘汰與最大概率的框距離近的框。
累積預測不僅去冗餘（淘汰低置信度的框），還可以淘汰低連續（多個box相差很遠）的類別，會更加魯棒。
Yolo系列
Yolo v1
論文：You Only Look Once: Unified, Real-Time Object Detection
作者：Joseph Redmon
年份：CVPR 2016
參考博客：論文筆記
You Only Look Once，言簡意賅，將目標檢測看做是單一的迴歸問題，將整張圖作爲輸入，直接輸入框的四個座標和類別。
做法：
- 將一幅圖像分成
SxS個網格(grid cell)，每個網格要預測B個bounding box和類別信息C，一共是B*5+C個值 - 每個bounding box除了要回歸自身的位置之外，還要附帶預測一個confidence值，共
5個值；![在這裏插入圖片描述]()
注意：class信息是針對每個網格的，confidence信息是針對每個bounding box的。
eg：圖像輸入爲448x448，取S=7，B=2，一共有20個類別(C=20)。則輸出就是7x7x30的一個tensor。
Ref