[论文阅读]Object Detection With Deep Learning: A Review

题目：Object Detection With Deep Learning: A Review
作者：Zhong-Qiu Zhao、 Peng Zheng、Shou-Tao Xu, and Xindong Wu

Motivation:
作者想写一篇综述

Methods:
作者介绍了传统目标检测的三步：感兴趣区域提取、特征提取、分类
作者又说了目标检测的领域划分，然后分别作详细介绍。

然后作者分析了神经网络算法的历史，及结构和优点。
Generic Object Detction:
其又分为基于推荐感兴趣框的目标检测（双阶段目标检测）和基于回归分类的目标检测（单阶段目标检测）
其中双阶段目标检测网络有 R-CNN、spatial pyramid pooling (SPP)-net , Fast R-CNN ,Faster R-CNN, region-based fully convolutional network(R-FCN) , feature yramid networks (FPN), Mask R-CNN,SPP-net modifies R-CNN with an SPP layer等。
其中单阶段目标检测网络有：MultiBox, AttentionNet , G-CNN, YOLO ,Single Shot MultiBox Detector (SSD) , YOLOv2 ,deconvolutional single shot detector (DSSD) , and deeply supervised object detectors (DSOD) 等。
作者又具体介绍了双阶段的网络：
R-CNN：（具体的方法原理就不说了，网上资料一大堆）****但是R-CNN有一些问题，于是又有 Geodesic object proposals、Mutiscale combinatorial grouping等新的方法来优化R-CNN存在的问题。

SPP-Net: 解决了R-CNN中通过裁剪和缩放等方法再进入FC layer所造成的图像形变问题。

Fast R-CNN：虽然SPP-NET取得重要成果，但其还是采用的R-CNN的那一套计算模式。于是提出RoI pooling等方法。。。（这里就不多说了，网上资料一大堆）

我觉得我这篇解读算是写费了，感觉就像是翻译，重复的又不想写。。。。写不下去了，就写就重点的吧。
Fast R-CNN除了Regin Proposal ,就像是一个单阶段的模型训练，节省了很多资源。
Faster R-CNN:
Faster R-CNN的特点就是采用了RPN网络，很大程度上解决了Region proposal的计算时间成本，但也带来了问题：背景也可能被推荐出来。有了推荐框后，Faster R-CNN可以通过反向传播和SGD以另一种训练方式进行端到端的训练。但这种方式也比较费时。

作者后面又说了R-FCN、 Multitask Learning, Multiscale Representation, and Contextual Modeling、Thinking in Deep Learning-Based Object Detection就没了。

作者又"具体"介绍了单阶段的网络：YOLO、SSD.没了。。。。没了。。。。。然后就讲实验去了，额作者真的是只讲了重要中的重要的网络，也就是那几个常见的网络模型，没什么 。。。。

额，哈，我也不写了…