最近正要看Contextual Action Recognition with R*CNN，学习基于动态图像图像的行为识别，所以要恶补下它所需要的知识。
也就是目标检测常见的几种算法。
1、首先目标检测是什么？
在给定的图片中找到物体的所在位置，并且分辨出物体的类别。这实际上是两个任务。
图像识别：image ----> cat/dog
图像定位：image ---->(x,y,w,h)
2、实现目标检测的几种方法：
1）传统的目标检测方法
大概思路是：采用classification和regression相结合的方式，对一张图片，用各种大小的框（遍历整张图片）将图片截取出来，输入到CNN，然后CNN会输出这个框的得分（classification）以及这个框图片对应的x,y,h,w（regression）。
问题：基于滑动窗口的选择策略没有针对性，窗口冗余，时间复杂度高
检测多个物体很难进行。
2）候选区域+深度学习分类
R-CNN
为了防止基于滑动窗口的选择策略没有针对性，我们可以实现在途中找出目标可能出现的位置（利用颜色，纹理，边缘等等），即候选区域。
简要步骤：
(1) 输入测试图像
(2) 利用选择性搜索Selective Search算法在图像中从下到上提取2000个左右的可能包含物体的候选区域Region Proposal
(3) 因为取出的区域大小各自不同，所以需要将每个Region Proposal缩放（warp）成统一的227x227的大小并输入到CNN，将CNN的fc7层的输出作为特征
(4) 将每个Region Proposal提取到的CNN特征输入到SVM进行分类
它的缺点也非常明显，对每个候选框都要进行CNN特征提取和SVM分类，计算量很大。
Fast R-CNN
原来的方法：许多候选框（比如两千个）-->CNN-->得到每个候选框的特征-->分类+回归
现在的方法：一张完整图片-->CNN-->得到每张候选框的特征-->分类+回归
(1) ROI pooling layer实际上是SPP-NET的一个精简版，SPP-NET对每个proposal使用了不同大小的金字塔映射，而ROI pooling layer只需要下采样到一个7x7的特征图。对于VGG16网络conv5_3有512个特征图，这样所有region proposal对应了一个7*7*512维度的特征向量作为全连接层的输入。
(2) R-CNN训练过程分为了三个阶段，而Fast R-CNN直接使用softmax替代SVM分类，同时利用多任务损失函数边框回归也加入到了网络中，这样整个的训练过程是端到端的(除去region proposal提取阶段)。
Faster R-CNN
对Fast的加速，加入一个提取边缘的神经网络，也就说找到候选框的工作也交给神经网络来做了。
所以，rgbd在Fast R-CNN中引入Region Proposal Network(RPN)替代Selective Search，同时引入anchor box应对目标形状的变化问题。
30基于深度学习的回归方法
YOLO/SSD 以后再说
