参考：https://blog.csdn.net/bea_tree/article/details/51880175
Abstract
本文的两个创新点：
(1)SDP:scale-dependent pooling,根据candinate object proposals的尺度，去不同的特征层上来提取特征。类似SSD
(2)CRC:cascaded rejection classifers 级联的负样本排除分类器。使用卷积特征来判定其为负样本
1. Introduction
（1）Fast RCNN对小目标不友好，因为直接对最后一层做池化，最后一层对于小目标可能包含的信息较少
（2）因为小目标在浅层产生较强的相应，大目标在高层产生较强的相应，所以创造SDP,根据candinate proposal region的尺度，从不同的卷积层中提取特征。（这是SSD的前身）。把特征送到多个尺度相关的目标分类器中
(3)CSP:
通过卷积层级联得到的级联分类器，前面的层是弱分类器。前几层得到的特征语义信息不强，难以判断是哪个类别，但是却可以用来排除简单的样本。这样我们就使用了全部层的卷积特征
3.Method
(1)SDP
根据ROIs的尺度，去不同的层上提取特征
4.Cascaded Rejection Classifliers 相当于硬采样，类比Faster RCNN的rpn，只挑选前面N个得分高的样本
（1）Fast RCNN的主要计算瓶颈之一是对每个ROIs都要用多个fc layer进行计算。上千个ROIs就会产生大量的计算。
5.结果
CRC的效果：
（1）在保持较高的Recall时，有效的较少了候选样本的个数，从而减少后续计算量。
但是，我感觉经过CRC后Recall太低。
（2）
