由于目前的研究方向是3D object detection，刚开始入门。所以先了解一下2d object detection的一些方法。

• OverFeat(OverFeat:Integrated Recognition, Localization and Detection using Convolutional Networks)
  本文将CNN用于目标定位，目标分类，目标检测三个任务中，使用offset pooling和fcn（fully convolution network）以实现多尺度输入，网络结构的前几层和AlexNet大致相同，文中使用前几层提取到的特征，仅仅是在后面几层进行了一些修改，便完成了定位、分类、检测的任务，不得不说CNN提取特征的能力实在是强

• offset pooling
  相当于将pooling kernel在水平或者垂直方向上有一个偏移，主要是为了生成多尺度的feature maps，文中对x，y用了三种offset，所以最终会生成9个feature maps

  
  
  offset pooling

• fcn
  使用卷积层代替了全链接层，使得输入的图像不需要固定的大小

  
  
  fcn

• RCNN（Regions with CNN features）
  
  R-CNN基本结构

其中获取候选框的方法使用的是：selective search，这篇博文介绍的比较详细：http://blog.csdn.net/surgewong/article/details/39316931
主要就是通过Hierarchical Grouping获取到基本的候选区，然后计算各种相似度，使用SIFT算子来确定物体的位置。

2.region proposal warp
3.CNN for feature map
4.SVM for classification
主要的问题就是，需要将每个region proposal都输入到CNN中提取特征，比如一张图有2000个region proposal，那么就相当于对一张图片进行了2000次特征提取

• SPP-NET
  在之前R-CNN的基础上使得每一个image只需要提取一次特征，减少了CNN提取特征的时间，同时提出了Spatial Pyramid Pooling的方法，使得输入的图像尺寸不受到限制。
  
  SPP-NET Architecture
  
  1.不论输入的尺寸怎样，SPP_NET都能够输出一个固定尺寸的特征，然而之前使用sliding window pooling的方法不能做到这点
  2.SPP-NET使用Multi-level spatial bins，sliding window pooling方法只使用了固定的window大小。Multi-level spatial bins在面对畸变的时候显示出了很强的健壮性
  3.由于灵活的输入尺寸，SPP-NET能够能够从不同尺寸的输入提取特征,每个training epoch使用不同的image size作为输入，作者把这个方式叫做multi-size training converge
  其中实现Spatial Pyramid Pooling的方法是动态的改变pooling层的kernel的size和strides，从而获得一个固定的输出：
  
  Spatial Pyramid Pooling
  
  
  Spatial Pyramid Pooling

• Fast-RCNN
  吸收了SPP-NET的精髓，只对图像提取一次卷积层特征，同时在最后一个卷积层后加了一个人ROI pooling layer，损失函数使用了多任务损失函数（multi-task loss）
  但是由于region proposal的提取使用的是selective search，所以速度很慢，于是有了后面的Faster-RCNN

• Faster-RCNN
  提出了RPN(Region Proposal Networks)，RPN的思想就是用CNN直接产生region proposal，然后直接输入到CNN，使得结构变为端到端的网络。但是还是未达到real time

• R-FCN
  相比于之前Fast/Faster R-CNN方法需要花费巨大的计算量在region-proposal上，

• YOLO(You Only Look Once) SSG(Single Shot MultiBox)
  都是使用回归的思想直接去回归出region proposal。

先暂时做一个了解，需要的时候再详读相关的paper