DenseBox算法

1 提出了基于FCN、end2end的多任务目标检测模型，能直接回归目标出现的置信度及其相对位置；---- 在15年做到end2end还是挺厉害的，fast rcnn当时还需要依赖SS、EdgeBox等proposals提取方法，frcnn刚提出不久，通过RPN提proposals达到训练的end2end；DenseBox就做到了end2end，且联合了目标landmark的多任务，要知道联合人脸landmark的mtcnn发表于16年（虽然在mtcnn、DenseBox之前已经有很多multi-task的人脸检测方案）；另外对比CVPR2015年大红大紫的FCN，DenseBox在15年初就已完成目标检测中FCN思想的引入，也真是很厉害了；---- OverFeat（ICLR2014）也引入了FCN的思想；

2 为提高小尺度目标的召回率，如fig 3中conv3_4、conv4_4，在网络中引入了上采样操作，将两层的特征融合以得到更大尺度的feature map输出；-----要知道将多层特征金字塔融合来预测bbox的思路发扬光大的FPN，发表于CVPR2017；

3 使用了OHEM做负样本的难例挖掘；----- OHEM可是在CVPR2016获得oral，当然了，难例挖掘在SVM等机器学习方法中早就被使用到了，不过DenseBox就能有这么巧妙的设计，也是相当之厉害；

4 论文中提到了DenseBox因使用图像金字塔，需要若干秒才能处理一张图像是，速度很慢，但后来对DenseBox做了优化后，DenseBox2可以做到了实时检测；---- 一个重要的优化就是：将多层图像金字塔改为类似SSD的多层特征金字塔；