参考：
https://zhuanlan.zhihu.com/p/33544892
https://kuaibao.qq.com/s/20180319G1QL8500?refer=spider
目标检测近年来已经取得了很重要的进展，主流的算法主要分为两个类型（参考RefineDet）：
（1）two-stage方法，如R-CNN系算法，其主要思路是先通过启发式方法（selective search）或者CNN网络（RPN)产生一系列稀疏的候选框，然后对这些候选框进行分类与回归，two-stage方法的优势是准确度高；
（2）one-stage方法，如Yolo和SSD，==其主要思路是均匀地在图片的不同位置进行密集抽样，产生不同尺度和长宽比的先验框（anchor box）==，然后利用CNN提取特征后直接对先验框进行分类与回归，整个过程只需要一步，所以其优势是速度快，但是均匀的密集采样的一个重要==缺点是训练比较困难，这主要是因为正样本与负样本（背景）极其不均衡（参见Focal Loss），导致模型准确度稍低。==
==anchor box产生先验框后，网络对location的学习目标就是从“Predicted box与Default Box/Anchor的差（offset）和类别”到“Ground Truth Box与Default Box/Anchor的差（offset）和类别”，因此计算loss误差就是通过这比较两个计算的；==
使用anchor box的意义和作用：
在Yolo中，每个单元预测多个边界框，但是其都是相对这个单元本身（正方块），但是真实目标的形状是多变的，Yolo需要在训练过程中自适应目标的形状。
而SSD借鉴了Faster R-CNN中anchor的理念，每个单元设置尺度或者长宽比不同的先验框，预测的边界框（bounding boxes）是以这些先验框为基准的，在一定程度上减少训练难度。
训练时，计算anchor box与ground truth间offset的过程称为bbox的编码（encode），预测时，要反向这个过程，即进行解码（decode），从预测值l中得到边界框的真实位置 b
为什么two-stage的方案（Faster RCNN、R-FCN）会比SSD的精度更高？
==Faster RCNN第一步关注proposal的效果，第二步关注refine的效果。提取的ROI区域会有一个zoom in的效果，因而会比SSD混杂在一起单步学习精度更高。==
深度学习目标检测的组成
- object detection framework
- 用于目标检测的base network(basebone)