【多尺度目標檢測】
在使用Faster-RCNN訓練自己數據時，如果相機採集圖片位置發生變化，會影響測試效果，於是開始找尋可以解決這一問題的辦法。最新調研成果如下：
- SSD在最後7*7的輸出特徵後，繼續加一些不同大小的卷積層，讓最後這幾層卷積同時爲目標檢測做出判斷。這樣，就可以識別各個尺度大小的物體(大物件或小物件)[1]。也就是說，SSD通過更改卷積層的結構，對各個尺度大小物體進行識別。
- 使用FPN（特徵金字塔網絡）這種網絡不是一味地進行下采樣提取語義特徵去識別物體，而是從頂層（自上而下）的每一層都進行上採樣獲取更準確的像素位置信息[2]。但是這個方法存在的問題就在於增大了計算量。
- 爲了緩解這樣的計算壓力並且對多尺度物體更精準地識別，SNIPER另闢蹊徑，對每個尺度大類下都維護一個重點關注區域（region）[2]。
SNIPER論文鏈接：https://arxiv.org/pdf/1805.09300.pdf
SNIPER實現代碼：https://github.com/mahyarnajibi/SNIPER
FPN論文鏈接：https://arxiv.org/pdf/1612.03144.pdf
參考文獻：
[1]http://nooverfit.com/wp/機器視覺-目標檢測補習貼之ssd實時檢測-multibox-single-shot-detector/
[2]http://nooverfit.com/wp/聊聊目標檢測中的多尺度檢測（multi-scale），從yolo，ssd到fpn/