物体检测系列博客写作计划

前言：博主目前的研究课题为“可见光遥感图像目标检测”，研究兴趣是大尺寸高分辨率遥感图像上多尺度目标及小物体检测。为了整理阅读过的文献，梳理研究思路，记录自己的理解感悟，遂开启一个“物体检测系列博客”。

本系列博客从研究方法角度分为（a）以RCNN为代表的region based object detection方法；（b）以YOLO，SSD为代表的无proposal的回归检测方法。并且每种研究思路都会着重关注多尺度，小物体检测方面的改进算法。

从文章类型角度主要分为三类：

（1）梳理研究脉络和主要思想的综述性文章；

（2）基于论文的阅读笔记；

（3）个人理解/补充性材料。

为了保证系列博客的连贯性，我首先列出写作计划：

1. R-CNN系列综述及阅读笔记

1.1 R-CNN系列object detection方法概述

R-CNN系列方法的研究脉络梳理，优缺点，算法改进。涉及R-CNN，SPP-Net，Fast R-CNN，Faster R-CNN

1.2 R-CNN系列阅读笔记(1): R-CNN

论文 Rich feature hierarchies for accurate object detection and semantic segmentation阅读笔记。

1.3 R-CNN系列阅读笔记(2): SPP-Net

论文Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition阅读笔记。

1.4 R-CNN系列阅读笔记(3): Fast R-CNN

论文Fast R-CNN阅读笔记

1.5 R-CNN系列阅读笔记(4): Fsater R-CNN

论文Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks阅读笔记

1.6 R-CNN系列阅读笔记(5): R-FCN: Object Detection via Region-based Fully Convolutional Networks

1.7 region based detection方法的应用: Is Faster R-CNN Doing Well for Pedestrian Detection?

论文 Is Faster R-CNN Doing Well for Pedestrian Detection?探讨在行人检测领域Faster R-CNN是否有效，提出了RPN + Boosted Forest分类器。

2. 基于R-CNN的多尺度改进方法

2.1 基于R-CNN的多尺度改进方法概述

梳理基于R-CNN的多尺度改进方法，主要思路是提取多个层的feature进行卷积层的特征融合(即skip connections),涉及的方法有MultiPath Network，ION(Inside-Outside Net)，HyperNet，PVANET及MS-CNN。

2.2 多尺度R-CNN论文笔记(1): A MultiPath Network for Object Detection

2.3 多尺度R-CNN论文笔记(2): Inside-Outside Net: Detecting Objects in Context with Skip Pooling and Recurrent Neural Networks

2.4 多尺度R-CNN论文笔记(3): HyperNet: Towards Accurate Region Proposal Generation and Joint Object Detection

2.5 多尺度R-CNN论文笔记(4): PVANET: Deep but Lightweight Neural Networks for Real-time Object Detection

2.6 多尺度R-CNN论文笔记(5): A Unified Multi-scale Deep Convolutional Neural Network for Fast Object Detection

2.7 多尺度R-CNN论文笔记(6): Feature Pyramid Networks for Object Detection

3. 无proposa的回归方法

3.1 无proposal，基于回归的检测算法概述

开创性工作YOLO与后续改进，以及G-CNN，SSD等工作。

3.2 无proposal检测方法(1): You Only Look Once: Unified, Real-Time Object Detection

3.3 无proposal检测方法(2): G-CNN: an Iterative Grid Based Object Detector

3.4 无proposal检测方法(3): SSD: Single Shot MultiBox Detector

3.5 YOLO9000: Better,Faster,Stronger（YOLO9000：更好，更快，更强）