前兩天都是直接實作，今天回來看背後的技術。
這次的Model是根據SSD(Single Shot MutilBox Detector)
然後因為一開始看不懂
所以先從最簡單的物件辨識RCNN開始看

基本上物件辨識就是在圖片中找到物體所在位置並標出類別
簡單來說有兩件事要做

1. 分類
2. 定位
   如果只要只有要辨識一樣物體的話
   做法其實可以很簡單
   取各種不同大小的框，依序從左上到右下，看哪個框得分最高。
   不過這樣做非常耗時，而且如果要擴增成偵測多個物體，真的會等到天亮。

所以就有RCNN
簡單來說就是先挑好候選的框框
只對候選的框框去算分類與得分
至於怎麼挑框框
論文上是說用的是SelectiveSearch
Selective的簡化版步驟如下

1. 先用這個論文的方法 (感覺有點離題，這篇我就沒看下去)把圖片分n區
2. 計算分區的相似度(顏色、紋理、大小….)一次一個進行合併，所以會執行n-1次，得到n-1個合併框，從中挑選
   從這個參考的表格1來看Edge Boxes好像是最好的方式，而且也比上一個好理解多了，先做邊緣檢測，接下來看每個框框完全包含完整的邊緣個數，也就是用邊緣代表完整物體，然後只看有包含完整物體的框框。
   不過這樣還是所有挑好的框框都要用CNN去算一遍

所以就有人想出偷懶的辦法
先做CNN再把選好的框框帶進去
就變成了Fast RCNN
這裡面牽扯到一個問題
就是每個框框因為不一樣大，所以論文裡說要透過ROI pooling layer去讓每個框框可以跟接下來的全連接層做連接

接下來就是更偷懶，乾脆把SelectiveSearch取消，直接把選框框的動作交給神經網路(稱為Region Proposal Network)去做，然後框框只有幾種固定比例的大小，稱之為anchors，這樣又變快了，所以也懶得取名，就叫Faster R-CNN

時間不太夠，後面打得有點草，明天再補完整一點，還要再講YOLO，才會到SSD。