論文背景
該論文釋出于2013年，此時 DNN D N N 在圖像分類任務上表現很好，但未曾在目标檢測上有建樹。在這論文之前的目标檢測多用DPM（Deformable Part-base Model，基于部件的可變形模型），DPM模型是基于精心設計的表示以及基于流體的對象分解的圖模型，利用判别圖模型去建構檢測的對象。該文章提出了一種基于多尺度推斷的網絡實作目标檢測，但後面一些解決某些問題的方案，在後續發展的網絡中已經不再使用，是以該筆記就不再詳細記錄。
簡介
目标檢測=目辨別别+目标定位 目 标 檢 測 = 目 标 識 别 + 目 标 定 位
之前的模型都是基于分類模型之後，再進行定位操作，在本文之後，就将目标檢測作為一個回歸問題，輸出目标為一個mask（0-1編碼，非0就1）。本文中大概就是mask為1的部分就是有對象的部分。該論文的目的就是在對象分類的同時盡量定位對象。是以，本文的目的就變為了 在一張圖檔中檢測潛在的大量不同大小的對象執行個體。
深層網絡算法可以學習比對手動精心設計的對象表示，是以使用DNN可以不用手動設計特征。
基于DNN的回歸，網絡輸出的是一個二進制掩碼，其輸出向量大小為輸出掩碼網格的大小，為 N=d∗d N = d ∗ d ，每個輸出節點對應一個目标的網格，如圖1所示。其次，利用全圖想以及一些從該圖檢測的圖像，構造一個基于多尺度方法的模型來提高定位的準确率，如圖2所示。
該論文的網絡架構基于2012年釋出的AlexNet網絡，隻不過将最後一層Softmax層變成了回歸層。
該論文釋出時的背景
當時最先進的圖像檢測技術是基于可變形部件的模型，這種方法之後再結合訓練模型，稱為圖結構。這種模型可以看成兩部分：第一部分是劃分為部件，第二部分是訓練模型（star model）。相比較DNN這種訓練通用特征的模型，該方法需要專業知識。
當時已經應用DNN于醫療圖像的分割技術上，但此時的DNN是用于每個像素位置的分類上。該論文提出的應用是用于局部回歸。
DNN回歸的檢測
直覺上來說，大多數的對象對于圖像大小來說都很小， 是以在生成0-1mask的時候，網絡輸出就容易陷入“平凡解”，即将所有輸出單元都指派為1。是以，在輸出對應Ground True非零解的單元，我們基于更高的權重，以保留該結果，進而間接“懲罰”零解輸出。
通過DNN生成掩碼的精确對象定位
使用DNN定位存在的三個問題：
- 單個對象掩碼不能有效地對彼此接近的歧義對象進行檢測；
- 模型輸出的掩碼受到限制，所生成的掩碼相對于原始圖檔較小，如輸出24*24，原始圖像為400*400，則一個掩碼像素格對應16個原始圖像像素格，這導緻不能精确進行定位；
- 相對于圖像中的檢測對象，圖檔顯得太大，因而檢測對象對網絡權重的影響可能不夠大，因而很難去識别。
第一個問題通過産生多個mask解決。文中說的是5個（全圖，包含左上角的子圖，包含右上角的子圖，包含左下角的子圖，包含右下角的子圖）。通過這五個重疊的部分，我們可以減少檢測的不确定性和一些掩碼的錯誤。【其大概意思就是，在部分圖中，重疊的部分（假設是兩個對象重疊）可能會有一個對象不完整，因而網絡隻檢測了其中一個，進而解決重疊對象檢測的問題】
第二個問題可通過兩種方式解決：(1) 将DNN定位器應用于數個不同尺寸的較大子圖上；(2) 首先推斷一些邊框應用于DNN定位器上，以改進檢測
第三個問題，沒弄清楚。。。
DNN訓練
該論文應用的訓練集為Pascal VOC 2007。對其中每張圖檔生成（裁剪）數千個樣本，其中 60% 60 % 個負樣本， 40% 40 % 正樣本。如果一個樣本不和任何對象的邊框相交，則為負樣本；如果一個裁剪得到的樣本有某個（些）圖像至少 80% 80 % 的區域，則為正樣本。裁剪的樣本大小需要在符合的範圍之内，因為DNN的輸入是需要resize成固定的300*300的。【後面使用卷機運算代替了全連接配接層的形式，應該就不用這樣resize了】
訓練網絡用于定位比分類要難一些，是以我們可以先用網絡實作分類，進而得到預訓練；進而在該參數上訓練，微調得到最後的參數。（卷積層也需要訓練微調）