1、语义分割（Semantic Segmentation）
2、Classification+Localzation 图像分类+物体定位
（3）Faster R-CNN
可以取得非常好的结果
给图像的每一个像素（pixel）分入一个类别，每个类别有相应的语义或者标签。
分类但不区分实例（instances），比如两只重叠的猫，所有的像素都归为 cat 一类。
使用CNN来完成，结构有一些变化，如下：
这里需要讨论一下的不同于CNN的操作：
（1）上采样 upsampling——Unpooling 反池化
这样做的好处：又一次的补充了由于maxpooling损失的空间信息。
（2）Transpose Convolution（也叫deconvolution） 反卷积
input一个2*2的image，反卷积即每一个pixel乘以之前所使用的相应的filter，
卷积与反卷积的矩阵表示（能够看出为什么这里称为转置卷积）：
2、Classification+Localzation 图像分类+物体定位
以AlexNet应用为例，在全连接层增加四个Box输出（x,y,w,h），方框的位置和高度宽度。
训练过程中，则需要计算两个不同的loss，称为multi-task loss（多任务损失函数），给不同的超参weights给这两个loss。（很tricky）
同样的方法也可以用在人体姿势（点位）的识别。
3、Object Detection 物体识别
在物体周围框图，并识别为类别集中的某一类。与上问题不同的是，并不能确定有多少个物体需要识别。所以不能使用输出固定个数的方框的方法。
另一个想法：对于图像的每一个区域进行判别，判别是背景还是某一种物体。问题在于 图像区域有大有小，滑过全部区域，巨大的量，通过卷积网络，就是巨大的计算量。
所以介绍一下三种基于Region 的方法。
（1）R-CNN
这里使用 Region Proposals 的方法。通过edges给出1000个可能存在物体的box。一个常见的Region Proposal算法称为 Selective Search。
有一些问题在于，给出的box具有不同的大小，而ConvNet希望输入的图像有相同的大小。所以需要将图形变形成同样的大小（warp image regions）。需要补充的是，R-CNN同样还会对之前的Box进行调整，以达到最佳的效果。同时这个方法仍然有一定的计算量。
（2）Fast R-CNN （减少计算量）
首先将图片通过一个ConvNet，得到的是高解析度的feature map，而后对这个feature map使用Region Proposals。接下来同样对这些大小不同的方框进行变形，这里有所不同，使用ROI pooling layer。然后通过FC层进行分类和判别。
这个结构训练和判断都非常快，在判断的阶段，Region Proposal函数的计算时间实际成了最主要的因素。于是有了下节的优化结构。
（3）Faster R-CNN
因为Region Proposal的计算成了瓶颈，所以我们使用神经网络去代替Region proposal算法。
还有不使用基于Region的方法，如YOLO（You Only Look Once）\ SSD（Single Shot Detection）
（4）SSD
想法是，不像之前独立地处理可能的region，我们想像处理回归问题一样，使用大型的ConvNet统一地进行预测。
输入一个图像，把其划分为 粗粒度 网格，如下图，分为7*7的网格。每一个网格中间，有一个box的集合，图中集合大小为3。现在我们想要预测：1、物体到box的偏移；2、分类打分，即指定分类的物体在这个box里的可能性大小。
4、物体分割（Instance Segmentation）
等于是 确定每一个像素点 属于哪一个物体。下面这个模型 更像之前讨论的 模型的组合。
可以取得非常好的结果