計算機視覺基本問題:
分類問題-classification：
解決是什麼的問題，給定一張圖片或者一段視訊判斷裡面包含什麼類別的目標
定位-Localization:
給定包含一個主體內容的影像，要解決主體內容在哪裡的問題，定位出目標的位置。
物體（目標）檢測（object detection）：
同時解決是什麼以及在哪裡的問題，定位出目標的位置並且知道目標物是什麼。
找出影像中所有感興趣的目標，確定他們的位置和大小，生成bounding box框出來對應的物體
是CV最具有挑戰性的問題
影像分割問題（segmentation:沿著輪廓把物體切出來）
解決“每一個畫素分別屬於哪個目標或者場景”的問題。可以分為instance-level(例項分割)的分割和scene-level的分割(場景分割)
目標檢測相關演算法
DPM:
在DCNN出現之前，DPM一直是目標檢測領域最優秀的演算法，通過提取DPM人工特徵，再用latentSVM來進行分類。
DPM的侷限性：特徵計算複雜，速度慢；人工特徵對於旋轉，拉伸，視角變化的物體檢測效果很差
OverFeat:
alexNet大獲成功後，人們開始使用神經網路應用到目標檢測任務中，其中OverFeat的主要思想：
1. 採用共享卷積層用於多工的學習；全卷積網路的思想；3.在特徵層進行滑窗操作避免大量重複計算
基於DCNN的目標檢測演算法發展路線圖
R(Region)-CNN:
R-CNN是深度學習進行目標檢測的里程碑之作，其過程為:
1.使用selective search演算法提取2000個左右的區域候選框；
2.把所有候選框縮成固定大小；
3.用D-CNN提取候選框的特徵，得到固定長度的特徵向量；
4.把特徵向量送入SVM進行分類得到類別資訊，送入全連線網路迴歸得到對應位置座標資訊
主要缺點：
1. 重複計算；2.訓練測試不簡潔，不是一次做完，須分步實施；3.速度慢；4.輸入的圖片得到候選框後必須強制縮放成固定大小(227x227)會導致圖片資訊失真
SPPNet
相比於R-CNN，他將提取候選框特徵向量的操作轉移到卷積後的特徵圖上進行，將RCNN中的多次卷積變為一次卷積，大大降低計算量(參考了OverFeat)
1.sppnet針對輸入圖片先經過大的卷積網路形成feature map圖片,
2.生成候選框
3.隨後引入金字塔pooling的方式取樣候選框圖片獲得固定大小尺寸的輸出
4.進入全連線
5.再進入SVM進行分類
FastRCNN
1.通過ROI Pooling，將不同大小候選框的卷積特徵圖統一取樣成固定大小的特徵。
2.實現了多工的task
FasterRCNN
產出候選框這個工作也由神經網路來做了Region Proposal Network(候選框生成網路)
R-FCN
沿用FasterRCNN架構，在其基礎上引入位置敏感得分圖，用的比較少
Mask R-CNN
由於Fasetr RCNN在做下采樣和ROI Pooling時對特徵圖大小會做取整操作，因此會引入誤差，雖然對於分類任務基本沒有影響，但是對於畫素級別的檢測和分割任務則影響嚴重，為此，引入"雙線性差值填補非整數位置的畫素，從而避免精度問題"，這樣的好處是下游特徵圖向上遊對映時沒有位置誤差，提升了目標檢測的效果，同時使得演算法能夠滿足語義分割任務的精度要求。
生成模型 vs 判別模型
判別模型
判別模型有兩種情形
1.針對條件概率建模$p(y|x)$（LR,DNN,RNN,條件隨機場）,其目標函式一般為$max_\theta \frac{1}{n} \sum_{i=1}^{n}log p(y_i|x_i;\theta)$
2.針對非概率建模$f(x;\theta):x \rightarrow \{0,1\}$（SVM, K-NN, DecisionTree），其目標函式一般為$max_\theta \frac{1}{n} \sum_{i=1}^{n}\mathbb{I}(f(x_i;\theta)=y_i)$
生成模型
生成模型同樣有兩種情況：
1. 針對聯合概率建模$p(x,y;\theta)$，其目標函式為 $max_\theta \frac{1}{n} \sum_{i=1}^{n}log p(x_i,y_i;\theta)$.
一個用於理解的例子，比如電商網站的評價分析，對於判別模型，目標就是給定一條評價預測是正面還是負面的評價；而對於生成模型，則不僅要完成這個條件概率預測，還要建模句子本身出現的概率。因為有很多評價本身就是灌水的，而非有用的評價
2. 非概率的模型: GAN
G和D依次地迭代更新，就像兩個玩家，D越來越強，G也要越來越強，左右互博，使得D只能隨機判別真偽。
博弈論的納什均衡（最大最小理論）理論，在均衡時刻，假設判別器什麼都不做，你的生成器也不可能變得更好了，同樣地，假設生成器什麼都不做，你的判別器也不可能做的更好了。