最近一直在看论文，感觉一直看也不是个办法，不如写写看心得体会。如果能遇到志同道合的朋友，那就更棒啦！话不多说，就来讲讲今天看的这篇论文好了：《Deep Neural Networks for Object Detection》。
之所以会选择这一篇论文是在知乎上推荐的126篇殿堂级深度学习论文分类整理 从入门到应用,这个排在了第一位，觉得可以看一下。同样是在逛知乎，看到有好心的大佬整理出来物体检测的几篇论文，还十分贴心的把顺序也标出来了，在此对大佬表示感谢。如何评价rcnn、fast-rcnn和faster-rcnn这一系列方法？。
这篇论文算得上是比较早期的一篇论文了，在2013年的时候发表的。文章提出物体检测问题的概念：不仅仅要关注图片分类，而且还要进行准确的评估图像中出现物品的种类以及位置。文章中有给出基于DNN回归的对象检测的示意图：
主要流程如下：
- 基于DNN回归的方法输出对象边界框的二进制掩码。这里要指出，不仅是可以对整个对象边界框输出二进制掩码，同样对边界框的一部分也可以输出二进制掩码，这一部分在后面会提到。
- 接下来利用一个简单的bounding box来提取mask中的检测对象。
- 最后为了提升精度，做了一个refinement。后文中会有具体讲解。
网络结构参考：
主要是由七层，前五层是卷积层，后两层为全连接层。在五个卷积层中有三个具有最大池化层。在图中最后一层没有使用常规的softmax classifier，而是用到了mask regression layer来生成处理流程中第一步的产物–object binary mask DNN(x; Θ) ∈ 。
参数解释：
- Θ：网络参数
- N：总像素数
- d：固定的mask大小（神经网络的输出维度是固定的，考虑固定mask大小d，N=d*d）
文中计算ground truth mask m的公式为：
网络训练的目标在于减少L2错误。
对于大小不一的图像，网络首先需要对图片进行一个resize操作，将图片resize到统一大小之后进行处理，可能流程1完成后，生成的binary mask 不止一个，为了有所区分：将位于给定类别的对象 bounding box 内部的像素数值设定为1，否则为0。
DNN-generated Masks存在的不足：
- 单一的一个mask可能不足以对某些物体进行处理，比如说那种跟其他物体挨的很近的。大概类似于你与一只猫挨的很近，可能一个mask中同时出现了人手，但是也有猫脸。这样的话是无法进行一个准确分类的。
- 网络对于图像的输入大小是固定的（如果不固定的话，先要做resize操作），对于400*400的图像而言，其中d=24，最终的输出cell大小是16*16，相较于输入而言，输出实在是太小了。对于一个很小的物体，可能没有办法定位的准确。
- 网络中使用到的是full-image，如果是一个很小的物体可以影响到的神经元实在是很少，这一部分的辨别是有困难的。
解决方案：
Multiple Masks for Robust Localization（为了定位的鲁棒性使用多个mask）
对于多个有接触的物体，可以不只是生成一个mask