论文背景
该论文发布于2013年，此时 在图像分类任务上表现很好，但未曾在目标检测上有建树。在这论文之前的目标检测多用DPM（Deformable Part-base Model，基于部件的可变形模型），DPM模型是基于精心设计的表示以及基于流体的对象分解的图模型，利用判别图模型去构建检测的对象。该文章提出了一种基于多尺度推断的网络实现目标检测，但后面一些解决某些问题的方案，在后续发展的网络中已经不再使用，因此该笔记就不再详细记录。
简介
之前的模型都是基于分类模型之后，再进行定位操作，在本文之后，就将目标检测作为一个回归问题，输出目标为一个mask（0-1编码，非0就1）。本文中大概就是mask为1的部分就是有对象的部分。该论文的目的就是在对象分类的同时尽量定位对象。因此，本文的目的就变为了 在一张图片中检测潜在的大量不同大小的对象实例。
深层网络算法可以学习匹配手动精心设计的对象表示，因此使用DNN可以不用手动设计特征。
基于DNN的回归，网络输出的是一个二进制掩码，其输出向量大小为输出掩码网格的大小，为
，每个输出节点对应一个目标的网格，如图1所示。其次，利用全图想以及一些从该图检测的图像，构造一个基于多尺度方法的模型来提高定位的准确率，如图2所示。
该论文的网络架构基于2012年发布的AlexNet网络，只不过将最后一层Softmax层变成了回归层。
该论文发布时的背景
当时最先进的图像检测技术是基于可变形部件的模型，这种方法之后再结合训练模型，称为图结构。这种模型可以看成两部分：第一部分是划分为部件，第二部分是训练模型（star model）。相比较DNN这种训练通用特征的模型，该方法需要专业知识。
当时已经应用DNN于医疗图像的分割技术上，但此时的DNN是用于每个像素位置的分类上。该论文提出的应用是用于局部回归。
DNN回归的检测
直觉上来说，大多数的对象对于图像大小来说都很小， 所以在生成0-1mask的时候，网络输出就容易陷入“平凡解”，即将所有输出单元都赋值为1。因此，在输出对应Ground True非零解的单元，我们基于更高的权重，以保留该结果，进而间接“惩罚”零解输出。
通过DNN生成掩码的精确对象定位
使用DNN定位存在的三个问题：
- 单个对象掩码不能有效地对彼此接近的歧义对象进行检测；
- 模型输出的掩码受到限制，所生成的掩码相对于原始图片较小，如输出24*24，原始图像为400*400，则一个掩码像素格对应16个原始图像像素格，这导致不能精确进行定位；
- 相对于图像中的检测对象，图片显得太大，因而检测对象对网络权重的影响可能不够大，因而很难去识别。
第一个问题通过产生多个mask解决。文中说的是5个（全图，包含左上角的子图，包含右上角的子图，包含左下角的子图，包含右下角的子图）。通过这五个重叠的部分，我们可以减少检测的不确定性和一些掩码的错误。【其大概意思就是，在部分图中，重叠的部分（假设是两个对象重叠）可能会有一个对象不完整，因而网络只检测了其中一个，从而解决重叠对象检测的问题】
第二个问题可通过两种方式解决：(1) 将DNN定位器应用于数个不同尺寸的较大子图上；(2) 首先推断一些边框应用于DNN定位器上，以改进检测
第三个问题，没弄清楚。。。
DNN训练
该论文应用的训练集为Pascal VOC 2007。对其中每张图片生成（裁剪）数千个样本，其中 个负样本， 正样本。如果一个样本不和任何对象的边框相交，则为负样本；如果一个裁剪得到的样本有某个（些）图像至少 的区域，则为正样本。裁剪的样本大小需要在符合的范围之内，因为DNN的输入是需要resize成固定的300*300的。【后面使用卷机运算代替了全连接层的形式，应该就不用这样resize了】
训练网络用于定位比分类要难一些，所以我们可以先用网络实现分类，从而得到预训练；进而在该参数上训练，微调得到最后的参数。（卷积层也需要训练微调）