faster rcnn
faster rcnn巧妙地利用了anchor，仿佛搭建了一个楼梯，使预测值能够通过anchor这一先验候选框，不断修正，一级一级靠近GT。此外rpn的众多筛选手段也有效地解决了正负样本不平衡的问题。
backbone
通常会使用VGGNet或者ResNet50，101，通常下采样率16.
RPN
faster rcnn最大的亮点在于RPN模块，主要有以下几部分组成： 1）anchor的生成：在特征图上的每个像素点生成长宽比，尺度不同的9个anchors。 2）rpn卷积网络：预测anchor的类别（二分类），以及偏移量。这里需要注意的是anchor有真值和预测值两个概念。anchor的类别真值通过anchor和GT之间的IoU确定，偏移量真值是指anchor与GT之间的偏移量。每个anchor生成需要与对应的GT匹配，从而求得真值。而anchor的预测值是指通过卷积网络预测出的类别值以及偏移量（包括中心坐标偏移量和wh尺度偏移量）。 3）proposal的筛选：首先按照分类置信度得分排序，筛去top12000，再根据NMS筛选2000个，在从中筛选256个正负样本。保证了正负样本平衡。
ROI pooling
由于proposal的尺寸不同，需要统一到7*7，roi pooling有两次取整的过程，一是proposal的xy坐标取整，二是尺寸除以7时取整，两次取整影响回归精度。因而在mask rcnn 中用roi align，双线性插值求池化后的特征值，而xy不需要取整。
SSD
backbone
同样使用VGGNet，但在conv6处采用了空洞卷积，不改变特征图尺寸，增加了感受野。
priorbox
类似faster rcnn的anchor，ssd构建了priorbox作为先验候选框，并在多个特征图上生成不同尺度的priorbox（但是没有融合，仅构建了图像金字塔）。priorbox的真值匹配如faster rcnn 类似。在计算损失时，正样本参与定位损失计算，计算类别损失时，为了保证正负样本平衡，按照负样本损失排序，选出损失大的难样本，正负样本比为1：3.
yolov1
无锚模型
特征图
特征图上没有先验框，直接在每个区域预测类别，边框位置。
