wuhui868的专栏

1.训练人脸分类网络，然后在待检测图像上做划窗判断 试验证明，比select search提取候选框要快。 例如，训练的时候输入人脸大小32*32，步长为16， 可以将最后的全连接层改成全卷积网络，那么在测试的时候，可以不受图像尺寸的限制，并且一次算完一幅图像，能够加速。 2.在测试的时候，使用图像金字塔。 如果训练时的输入是224，测试时为了能够检测最小人脸为45

SSD的主要思想： 1.全卷积网络 2.anchor设计 3.多尺度特征融合#anchor设计： ssd一共使用了6个不同尺度的特征，每个尺度产生6个不同形状的anchor 1.低维度的特征图尺度大，点比较密集，使用的anchor较小，适合检测小目标 2.高维度的特征图尺度小，点比较稀疏，使用的anchor较大，适合检测大目标 每个anchor的位置计算： 1.首先计算每个网格中心点

#RPN模块： RPN设计的思想，主要有两点： 1.特征图的每个点，都对应于原图像的某块区域 2.在每个点，都使用了anchor，anchor的大小和形状是映射到原图上的。##RPN的anchor设计： RPN在最后一层的特征图上设计了9个anchor 映射到原图上，height，width比例分别为： [sqrt(2) 1/sqrt(2)], [1 1], [1/sqrt(2) sqr

一. A Unified Multi-scale Deep Convolutional Neural Network for Fast Object Detection同样是基于RPN+RCNN的思想，在Faster RCNN的基础上做了两处改进： 1.RPN在提取proposal的时候，使用了单一尺度，不能很好的适应各种不同大小的目标 多尺度检测： 目标检测需要模板能够覆盖不同sca