歡迎來到《每周CV論文推薦》。在這個專欄裡，還是本着有三AI一貫的原則，專注于讓大家能夠系統性完成學習，是以我們推薦的文章也必定是同一主題的。
目标檢測作為計算機視覺的基礎任務之一，應用非常廣泛，今天給大家推薦初學目标檢測必讀的一些文章。
作者&編輯 | 言有三
1 OverFeat
傳統的目标檢測如V-J人臉檢測算法需要使用多尺度的滑動視窗技術來提取候選檢測區域然後提取特征，OverFeat作為ILSVRC2013年目标檢測和定位的冠軍網絡，它把分類過程中提取到的特征同時又用于定位檢測任務，将滑動視窗從圖像空間轉移到了特征空間，大大降低了計算代價。
文章引用量：3000+
推薦指數：✦✦✦✦✦
[1] Sermanet P, Eigen D, Zhang X, et al. Overfeat: Integrated recognition, localization and detection using convolutional networks[J]. arXiv preprint arXiv:1312.6229, 2013.
2 Cascade CNN
Cascade CNN是級聯的結構和深度卷積神經網絡結合的代表，與V-J架構思想相同。具體實作是将分類網絡最後的全連接配接層修改成卷積層得到全卷積網絡，進而可以接受任意大小的輸入圖像。這樣由粗到精的架構是目标檢測中很常見的思路，以後還會看到很多的研究。
文章引用量：600+
[2] Li H, Lin Z, Shen X, et al. A convolutional neural network cascade for face detection[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2015: 5325-5334.
3 RCNN
基于候選區域的RCNN架構是卷積神經網絡做目标檢測中影響巨大的研究，引領了一個系列的發展，這也是傳統算法和CNN的一個結合。
文章引用量：9000+
[3] Girshick R, Donahue J, Darrell T, et al. Rich feature hierarchies for accurate object detection and semantic segmentation[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2014: 580-587.
4 SPPNet與Fast RCNN
SPPNet提出的Spatial Pyramid Pooling層實作了将輸入的任意尺度的特征圖轉換為特定次元的輸出，進而去掉了RCNN架構中原始圖像上的crop/warp等操作的限制。
Fast RCNN借鑒了SPPNet的思想，使用了一個簡化的SPP層，即RoI（Region of Interesting）Pooling層，通過RoI pooling反投影回原來的圖像空間，實作擷取任意圖像區域特征的目标。它有點類似于VJ算法中的積分圖，實作了一次特征提取，處處可以使用，進而大大降低了計算量。
[4] He K, Zhang X, Ren S, et al. Spatial pyramid pooling in deep convolutional networks for visual recognition[J]. IEEE transactions on pattern analysis and machine intelligence, 2015, 37(9): 1904-1916.
[5] Girshick R. Fast r-cnn[C]//Proceedings of the IEEE international conference on computer vision. 2015: 1440-1448.
5 Faster RCNN與R-FCN
Faster RCNN方法提出了Region Proposal Networks，實作了神經網絡自己學習生成候選區域，充分利用了feature maps的價值，去除了耗時的selective search，使得目标檢測架構達到了實時的性能。
R-FCN使用了全卷積的架構，去除了Faster RCNN中每一個區域進行分類時需要單獨使用全連接配接層進行特征提取的方案，進一步降低了計算代價。
文章引用量：11000+
[6] Ren S, He K, Girshick R, et al. Faster r-cnn: Towards real-time object detection with region proposal networks[C]//Advances in neural information processing systems. 2015: 91-99.
[7] Dai J, Li Y, He K, et al. R-fcn: Object detection via region-based fully convolutional networks[C]//Advances in neural information processing systems. 2016: 379-387.
6 FPN
為了解決Faster RCNN系列不能很好地适用多尺度目标預測的問題，FPN架構将高層的特征與低層的特征進行融合，分别對每一層進行預測，多尺度從此是一個性能強勁的目标檢測架構中必不可少的元素。
文章引用量：1000+
[8] Lin T Y, Dollár P, Girshick R, et al. Feature pyramid networks for object detection[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2017: 2117-2125.
8 如何擷取文章與交流