SVM Support Vector Machine 支持向量机
https://blog.csdn.net/v_july_v/article/details/7624837
https://www.jianshu.com/p/96e8fad1a2a4
线性分类器：找超平面分开。logistic函数（sigmoid函数）将自变量映射到(0,1)上，回归就是学习参数矩阵，找到后直接判断结果是正还是负即可。
几何间隔：点到分类面的距离。
支持向量的距离最近，为1/||w||
非线性可分则选择核函数将数据映射到高维空间解决问题。
避免过拟合可以使用别的损失函数，加上正则化项
CNN
http://www.cnblogs.com/lc1217/p/7324935.html
RCNN
https://www.cnblogs.com/skyfsm/p/6806246.html // 挺生动形象的
https://blog.csdn.net/lhanchao/article/details/72287377
候选区域选择、CNN特征提取、分类与边界回归
检测时每一类都使用一个SVM（用于判断是否是这类）
RCNN里面用到的Selective Search算法见：
https://blog.csdn.net/small_munich/article/details/79595257
对输入图像进行分割算法产生许多小的子区域。其次，根据这些子区域之间相似性(相似性标准主要有颜色、纹理、大小等等)进行区域合并，不断的进行区域迭代合并。每次迭代过程中对这些合并的子区域做bounding boxes(外切矩形)，
SPP-NET
在RCNN中，提取特征耗时较长，因此在初始没有提取特征的时候就先进行卷积运算，减少卷积运算数目，以加速。
同时取消掉了图像归一化的过程，同时使用空间金字塔池化。
空间金字塔池化：一种可伸缩的池化层，输出都是特定尺寸的特征。金字塔可以通过多尺度增加特征鲁棒性。
Fast-RCNN
简化版的池化层（无金字塔），加入了候选框映射功能以反向传播。多任务Loss层（SoftmaxLoss代替SVM，SmoothL1Loss取代Bounding box回归），将分类与边框回归进行合并。多连接层通过SVD加速
Faster-RCNN
使用EdgeBoxes（https://blog.csdn.net/wsj998689aa/article/details/39476551）提取候选框，并且是在特征图上提取。
YOLO
划分为固定网络，如果样本中心落在对应网络，就负责回归。