Selective Search
RCNN
Fast-RCNN
为了改进之前RCNN结构中，生成的conv feature需要通过SVM，造成大量的时间损耗。Girshick又改进了之前的网络结构,提出了Fast RCNN。
Fast RCNN是在SPP和RCNN的基础上提出的。
RCNN我们在上个部分已经提过了，那么SPP网络是什么呢？
SPP的全称是Spatial Parimid Pooling，主要是在不同的空间尺度上进行池化，提取不同空间尺度的特征，防止Proposal在进入RCNN网络时rescale到固定尺寸(224 x 224)时图形产生的形变和图片的变化。
SPP在使用的过程中是将全图划分成不同尺寸的grid（比如 1 x 1的grid的就是原图本身， 2x 2的grid是将原图分为4份，其中每一份cell的长宽都是原图长宽的一半）, 然后将每一个grid生成的pooling之后的结果组合在一起，产生一个固定大小的feature作为SPP的输出。对于输入的每一个channel都会生成grid。
举个例子，假如现在我们输入是一个 256 x 256 x 3 的feature
针对每一层，生成 1x1 的grid，然后做max pooling，得到一个 1 x 3 的feature
针对每一层，生成 2 x 2的grid，然后做max pooling，得到一个 4 x 3的feature
针对每一层，生成 4 x 4的grid，然后做max pooling，得到一个 16 x 3 的feature
…
最后将这些feature拼接起来生成的整个feature是固定大小的输出。（因为我们grid的大小是固定的，所以如果输入feature的尺寸发生变化，那么只有grid中每个cell的大小会发生变化，但是gird中cell的个数是固定不变的，所以最后通过ROI pooling的生成结果的尺寸是不变的。）
那么对于Fast RCNN来说，它的输入是一张图片，以及一些proposal，这些proposal的大小各不相同，我们用(r, c, h, w) 来表示每一个proposal region。 r c表示左上角的坐标点，h w 表示这个框的长宽。
Fast RCNN的主要过程是，我们将原图通过特征提取网络，生成一个conv feature map，然后在这个map上面根据之前所说的proposal的信息，提取出proposal的位置，并对其进行ROI pooling。生成的ROI pooling是一个长度固定的feature，并且这里我们只用一次 H x W 的grid提取，也就是说通过ROI pooling之后生成的feature的长度是 H x W x d (这里d是输入ROI pooling之前的feature的维度)。生成的feature之后会通过两个网络，一个连接到softmax用来确定我这张图片上有哪些物体，另一个用来确定预测出的物体的bounding box是什么。
（receptive field为什么会更大）
Faster RCNN
目标检测的网络发展至此，还有一个重要的需要依靠外界实现的输入，那就是proposal
Faster RCNN的出现解决了需要依靠外界条件得到proposal region的情况，实际上Faster RCNN就是一个Region Proposal Network + Fast RCNN的网络结构。那么就主要介绍一下生成proposal的网络： RPN
RPN的主要目的就是寻找proposal，这时候我们就建立一个sliding window，然后以这个sliding window为中心，构建不同尺寸和长宽比的anchor来找到合适的proposal region。
训练RPN的时候，主要分为两个方面的cost，一方面是二维向量表示所圈到的proposal是否是一个物体，另一个是四维向量来表示所圈到的坐标信息。proposal是否为物体主要是根据proposal和target的IoU来判定，如果IoU大于0.7或者IoU是这些anchor里面最大的，那么这个anchor就被称作是positive的结果；反之如果IoU小于0.3就是negative的结果。bounding box的预测值是输入在regression网络中进行训练的。
文章中使用的anchor为9个。
但是使用RPN还存在一个问题就是因为我们的anchor的大小都是固定的，那么一个特别大或者特别小的物体就可能无法被估计（在感受野外）或者被找到。这时候可以通过训练不同的RPN在不同的尺度下进行proposal的估计，在这样产生的proposal的感受野也不同。
（感受野是怎么确定的）
MTCNN
MTCNN的全称是multi-task cascaded convolutional neural network，主要是用来进行人脸的detection的。