Faster R-CNN
Towards Real-Time Object Detection with Region Proposal Networks
其中共享了卷积特征，以提高速度。
实现端到端的网络结构（RPN+RCNN）。
关键点定位
Convolutional Pose Machines
通过序列化网络（用级联小网络实现大网络的定位功能），逐步使定位更精确
优点：在同等甚至更高的准确率下，提高速度，
缺点：训练比较麻烦。
深度残差网络
优点：解决了梯度消失问题，增加网络层数，检测准确率不会降低。
缺点：训练较难
Style Transfer
效果如下图（论文中的图片）
利用CNN，保留物体信息。
级联网络Cascade
这是一种比较通用的思想。主要目的是：在不降低准确率的情况下，大大提高速度。
基本原理：用多个小网络，实现一个大网络的功能，如 关键点定位、实时人脸识别。
基本原理如下图，将前一级网络输出叠加到后一级网络输出，以避免梯度消失，也避免feature消失。
DeepFashion
公开了benchmark 服装数据库，包含大量标记，http://mmlab.ie.cuhk.edu.hk/projects/DeepFashion.html
论文中所用方法FashionNet：结合global+local信息，在多项指标上提高效果。