前言：博主目前的研究課題爲“可見光遙感圖像目標檢測”，研究興趣是大尺寸高分辨率遙感圖像上多尺度目標及小物體檢測。爲了整理閱讀過的文獻，梳理研究思路，記錄自己的理解感悟，遂開啓一個“物體檢測系列博客”。
本系列博客從研究方法角度分爲（a）以RCNN爲代表的region based object detection方法；（b）以YOLO，SSD爲代表的無proposal的迴歸檢測方法。並且每種研究思路都會着重關注多尺度，小物體檢測方面的改進算法。
從文章類型角度主要分爲三類：
（1）梳理研究脈絡和主要思想的綜述性文章；
（2）基於論文的閱讀筆記；
（3）個人理解/補充性材料。
爲了保證系列博客的連貫性，我首先列出寫作計劃：
1. R-CNN系列綜述及閱讀筆記
1.1 R-CNN系列object detection方法概述
R-CNN系列方法的研究脈絡梳理，優缺點，算法改進。涉及R-CNN，SPP-Net，Fast R-CNN，Faster R-CNN
1.2 R-CNN系列閱讀筆記(1): R-CNN
論文 Rich feature hierarchies for accurate object detection and semantic segmentation閱讀筆記。
1.3 R-CNN系列閱讀筆記(2): SPP-Net
論文Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition閱讀筆記。
1.4 R-CNN系列閱讀筆記(3): Fast R-CNN
論文Fast R-CNN閱讀筆記
1.5 R-CNN系列閱讀筆記(4): Fsater R-CNN
論文Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks閱讀筆記
1.6 R-CNN系列閱讀筆記(5): R-FCN: Object Detection via Region-based Fully Convolutional Networks
1.7 region based detection方法的應用: Is Faster R-CNN Doing Well for Pedestrian Detection?
論文 Is Faster R-CNN Doing Well for Pedestrian Detection?探討在行人檢測領域Faster R-CNN是否有效，提出了RPN + Boosted Forest分類器。
2. 基於R-CNN的多尺度改進方法
2.1 基於R-CNN的多尺度改進方法概述
梳理基於R-CNN的多尺度改進方法，主要思路是提取多個層的feature進行卷積層的特徵融合(即skip connections),涉及的方法有MultiPath Network，ION(Inside-Outside Net)，HyperNet，PVANET及MS-CNN。
2.2 多尺度R-CNN論文筆記(1): A MultiPath Network for Object Detection
2.3 多尺度R-CNN論文筆記(2): Inside-Outside Net: Detecting Objects in Context with Skip Pooling and Recurrent Neural Networks
2.4 多尺度R-CNN論文筆記(3): HyperNet: Towards Accurate Region Proposal Generation and Joint Object Detection
2.5 多尺度R-CNN論文筆記(4): PVANET: Deep but Lightweight Neural Networks for Real-time Object Detection
2.6 多尺度R-CNN論文筆記(5): A Unified Multi-scale Deep Convolutional Neural Network for Fast Object Detection
2.7 多尺度R-CNN論文筆記(6): Feature Pyramid Networks for Object Detection
3. 無proposa的迴歸方法
3.1 無proposal，基於迴歸的檢測算法概述
開創性工作YOLO與後續改進，以及G-CNN，SSD等工作。