检测，即给定一张图像，在图像中定位出目标的位置信息。从目标角度来说，可以分为多目标和单目标检测。
多目标检测，从数据集角度，有imagenet,coco,voc数据集，从网络框架来说，有yolo,ssd,faster rcnn等大家熟知的网络框架。单目标检测，以人脸为例，有faceboxes,ssh等检测网络。对于特定的目标，还可以通过改进通用网络结构/参数，来进行检测。
对于所有检测网络，基本结构都可以看成 基础网络做特征提取+分类/定位网络。
从基础网络来看，有轻量级的网络，shufflenet, mobilenet v1/v2。shufflenet是在group conv的基础上提出来的，shuffle feature map，加强了group之间的联系。mobilenet，最关键的地方在于理解depthwise+pointwise convelution,与普通的卷积相比，减小了参数与计算量。而mobilenet v2,在于去掉了thin feature后的relu(减少信息损失)以及shortcut的连法。
因为shufflenet与mobilenet都涉及depthwise，shufflenet还涉及shuffle这个操作，所以具体网络的速度，都涉及具体实现。
中等大小的基础网络，VGG（一般VGG16），结构很简单，一般的任务都可用该网络，在速度和精度方面能起到很好的权衡作用。加速也很容易。
大的基础网络，Resnet50/101，较深的层数通过shortcut这样的结构，使得误差可以反向传播、收敛成为可能。
无论做什么任务，最重要的地方在于特征提取，在传统的机器学习中，这一步是通过人为设定的，而在深度学习中，这一步网络帮我们自动完成了，但这并不代表我们什么都不用做。关注feature map，非常重要。对于任何的基础网络，浅层的网络，都会提取一些基本特征，比如纹理信息等；而深层的网络，会对特征做一些组合，形成一些更为复杂的特征。
从reception的角度来说，浅层的网络，reception比较小，可以感受一些局部信息；深层的网络，reception比较大，感受的信息范围更大。所以，对于小目标而言，可以利用浅层的信息，进行一些定位；而又由于浅层特征不足，可以将浅层和深层的网络结合，做一些特征融合的工作，做小目标检测。关于特征融合，亦或者reception角度，很多的论文都是从这个角度出来的。比如Receptive Field Block Net for Accurate and Fast Object Detection利用空洞卷积扩大reception，Multi-Branch Fully Convolutional Network for Face Detection 将不同卷积层特征融合。
在很多地方，我们常提一个词，“context”，即：上下文信息。什么意思呢？比如我们做阅读理解，不懂某个词句什么意思，怎么办，结合上下文，就知道什么意思了。做检测也一样，有时候，单看某个局部区域，不能判断是否是目标，于是，结合这个区域的周围信息，可以帮助我们判断。比如SSH，利用convlution并联的结构，成功的增加了上下文信息。
anchor，在yolo里被称为default box，未完待续。。