1 滑窗法

滑窗（Sliding Window）法的思路非常简单，首先需要一个已经训练好的分类器，然后把图像按照一定间隔和不同的大小分成一个个窗口，在这些窗口上执行分类器，如果得到了较高的分类分数，就认为是检测到了物体。把每个窗口都用分类器执行了一遍后，再对得到的分数做一些非极大值抑制等，最后就得到了物体类别和对应区域。

滑窗法非常简单，但是效率极其低下，尤其还要考虑物体的长宽比。如果执行比较耗时的分类器，用滑窗法就不太现实，常见的都是用一些小型分类网络和滑窗法相结合的应用。

2 PASCAL VOC ，mAP和IOU

PASCAL VOC是一套用于评估图像分类、检测、分割和人体姿势动作等的数据集，PASCAL VOC包含4大类共20个细分类别，分别是人、动物（鸟、猫、牛、狗、马、羊）、交通工具（飞机、自行车、船、大巴、轿车、摩托车、火车），室内（瓶子、椅子、餐桌、盆栽、沙发、电视/显示器等）。

预测检测算法一般有两个标准，即是否正确预测了框内的物体类别；预测的框和人工标注的框的重合程度。这两个标准的量化指标分别mAP（mean Average Precision）和IOU（Intersection Over Union）。
IOU是用来衡量预测的物体框和真实框的重合程度。

IOU.png

图中实线是人工标注的框，虚线是模型预测的框。重合度的计算方法如图中的灰色区域所示。评价一个算法的时候，一种常见的方法是先设定一个IOU的阈值，只要算法找到的框的IOU大于这个阈值，就是一个有效的检测。

3 Selective Search和R-CNN

滑窗法相当于是对一张图像上的子区域进行类似穷举式的搜索，一般情况下这种低效率搜索到的区域里大部分都是没有任何物体的。那么能不能找到一种方法只对图像中包含物体的区域进行搜索，如果能找到这样的方法，就能提高物体检测的效率。于是就有了广为熟知的Selective Search。

Selective Search的思路是，可能存在物体的区域应该有某种相似性的或是连续的区域。针对这两个特点，Selective Search采用的是超像素合并的想法（有分割算法在图像上产生很多小区域，把这引起小区域看成是最基础的小区域，于是这些小区域可以看成超像素），然后再对相似的区域进行合并，形成更大一点的区域。衡量相似性的标准可以是颜色、纹理、大小等。不断迭加小区域，最后合并为大区域，最后整张图会合并成为一个区域。在不断合并的过程中，给每个区域做一个外切的矩形，于是就得到了想当数量的可能包含物体的矩形方框。

相比滑窗法，Selective Search不再是穷举式的搜索。

Selective Search能够更加高效的寻找找可能包含物体的方框，后来深度学习出现后，用来CNN提取特征，然后再做个分类不就相当于检测吗？但是直接用Selective Search选出的框未必精确，所以R-CNN加入了一些改进，利用和物体标准框的位置的回归来修正Selective Search提出的原始框。