目标检测-总结（不断更新）
低层(bottom-up feature)：低级特征，框的位置预测准确，但分类可能会出错，细粒度特征 高层(top-down feature)：高级特征，语义信息很强， 分类误差大->高层语义信息运用 location误差大->低层信息运用 SSD缺点 仅使用顶层进行检测，对小物体检测效果不好；对类似类别的分类错误较多，one-stage检测器的 为何SSD和Faster R
标签：: 目标检测
论文-anchor设计
S3FD：Single Shot Scale-invariant Face Detector参考：https://zhuanlan.zhihu.com/p/29022585； 微信2的收藏； 存在的问题： 在detection layer上，small face最后拥有的特征太少； anchor与RF的尺度不匹配； tiny face和outer face不能匹配到足够多的anchors； sma
目标检测概述（待完善）
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 searc
SSD
参考： SSD原理与实现（结合实现，细节讲得很透）: https://zhuanlan.zhihu.com/p/33544892 SSD论文阅读(很棒很全面): https://blog.csdn.net/u010167269/article/details/52563573 目标检测之YOLO，SSD： http://lanbing510.info/2017/08/28/YOLO-SSD.ht
R-CNN系列总结
1. 算法整体流程图1.1 Fast R-CNNFast R-CNN除了proposals外，各部分不再是独立训练了，因此不需要单独保存特征及中间结果了； 1.2 Faster R-CNN 2. 详细的算法流程图原文：https://zhuanlan.zhihu.com/p/35481542
Faster R-CNN
0. 参考 从编程实现角度学习Faster R-CNN（附极简实现，超赞）：https://zhuanlan.zhihu.com/p/32404424 从结构、原理到实现，Faster R-CNN全解析(还没看)：https://zhuanlan.zhihu.com/p/32702387 https://blog.csdn.net/u011534057/article/details/51
Fast R-CNN
0. 参考1. 论文概况1. Motivation 借鉴SPP-NET； 多任务损失函数multi-task loss； 2. 解决什么问题？ 使训练简单化，towards端到端训练； 解决SPP-NET中金字塔池化的训练问题； 3. 提出了什么方法？ ROI pooling（共享了卷积） multi-task loss 4. 效果如何？ 训练和测试更方便； 精度提升； 5.
SPP-Net
0. 参考https://zhuanlan.zhihu.com/p/34053764 1. 论文概况1. Motivation 当前的CNNs，fc需要固定大小的输入，因此需要输入图像尺寸固定，于是crop/warp，但这样可能会产生物体截断或拉伸，会导致输入CNN的图像信息丢失，降低了识别的精度。 提速：只做一次CNN特征提取，然后将每个region proposal的卷积层特征输入到全连