fast rcnn
统一了sppnet和rcnn，将原来rcnn分stage的训练合为一个整体的stage，一次完成cls, regression的训练。引入两个loss函数，一个是用来进行cls的，一个是进行regression的，这个思路其实是和google的multibox类似的，但是不同的是regression是对bbox的，而bbox怎么引入到cnn中，同时还可以进行训练呢，这就是sppnet的思路了。fast rcnn在训练cnn时，就是借鉴了spp，通过引入roipooling layer，将用selective search得到的2K的regions通过roipooling layer映射到具体的patch上，类似于sppnet，然后每个patch分别进行分类和regression，这样就一次性完成了所有regions的分类和定位。fastrcnn既利用了sppnet在前面几层统一用conv和pooling对整图进行计算的计算资源节约的特征，又通过引入roipooling 层，将sppnet无法完成的整体cnn的ft完成了，同时引入了l1 norm对regression进行调整，做到了end-to-end.流程框架如下图，图里我少了一条线，roi的label应该是cls的loss的输入之一。
这篇文章看似内容没那么多，但是很重要，而且其实在细节的很多地方都值得借鉴，代码写的也是相当完美。
Multi-Objective Convolutional Learning for Face Labeling，其实是引入了单个pixel的loss，以及pixel之间的邻域loss，即引入了crf的两个energy，通过引入这两个loss完成对cnn的训练，但是在进行test时，并不用crf，使用graphcut完成分割。我个人觉得有点类似于fcn，但是fcn是单纯对pixel的分类，而本文通过引入crf，利用了pixel之间的关系，根据作者所说，这么做提高了不少。
Object detection via a multi-region & semantic segmentation-aware CNN model
本文我读了一下，有点类似于是sppnet，但是不同的是在生成特征时，把一个regions，通过不同方向的裁剪，得到很多个regions，而后这些regions分别得到特征，然后把这些特征通过spp统一到一个尺度，最后展开作为一个大特征，完成检测。而在分割时，直接用bbox作为正样本，而不需要那么严格的pixel级别的正样本，cnn能够对bbox带来的噪声具有鲁棒性。具体需要细看。
multibox，google的工作，整图作为输入，得到的是confidence和可能存在object的bbox位置，fastrcnn其实借鉴了这个思路。但是感觉google的工作很庞大，不知道能不能调试下来。
fcn,通过cnn，完成分割，这个工作的出现，引入了很多后续工作。
cnn-crf(deeplab)，是cnn和crf分stage训练的，但是和别的思路不一样的地方是，crf在分割时起到作用了，而cnn的训练又没有用到crf。
最近就在不停的读文章和比较其中的差别了，其中可以分为两个路子，fastrcnn, multibox; fcn cnn-crf。