Sliding Window
滑窗法有在傳統中的方法法和在深度學習中的方法，下面講的是在深度學習中的方法。
滑窗法有2個過程：
- 依次滑動：
每次滑動一個像素點，每個像素都會對應一個框。每次滑動後，都把框框住的內容當作一個圖像送入目標檢測網絡中（如VGG網絡，或者ResNet網絡）進行檢測。檢測結果對應的位置，就是框的位置，每次滑動後，位置就確定了。 - 多尺度滑動：
那麼每次框的大小如何確定呢？這就是多尺度進行滑動了。就是使用小的框，把整張圖滑動一遍之後，再使用大一點的框，再進行滑動一遍。然後再選擇更大的框，再進行滑動。最後一個尺度，有可能和整個圖的大小差不多。這樣才能檢測出大的、小的目標。
可以看出，窗口的尺度越多，檢測的越全，但是速度會變慢。每次滑動一個像素點，這就會導致檢測窗口會出現大量的冗餘。
那麼如何解決這個問題呢？
OverFeat:
使用卷積的方法來代替滑窗法，利用卷積的高效計算性質，來加快滑窗法的速度。
具體可以看另一篇博客：
https://blog.csdn.net/qq_35732097/article/details/79027095
Region Proposal
從sliding window中，我們可以發現，有很多地方是沒有物體的，但是耶進行了檢測。所以沒有必要對所有的地方都進行檢測，所以就出來了Region Proposal，意思是建議檢測的區域，排除哪些沒有物體的區域。Region Proposal就是通過像素的聚類，把可能是同一類的事物進行聚爲一類。這樣就減少了檢測的範圍。
Selective Search
第一步：先通過Region Proposal，一張圖片中的信息進行聚類，比如說聚類爲200類，這個聚類爲多少類，需要自己來指定。
第二步：對每個聚類的區域進行檢測。
RPN
由於上面的Region Proposal的聚類是傳統的機器學習方法，那麼我們可不可以使用深度學習的方法，讓它自己生成呢。答案是可以的。
具體可以看另一篇博客：
https://blog.csdn.net/JNingWei/article/details/78847696