题目：HybridNet A fast vehicle detection system for autonomous driving
摘要：对于自动驾驶系统来说，车辆检测是非常重要的也是最具挑战性的一部分任务。因为由于堵塞，截断和不同视角造成的大规模内部分类的不同。检测系统要快速且准确的支持现实世界的应用。现存的很多基于目标检测的深度卷积神经网络可以大致分为两类：一步法和两步法。一步法通常是快且易的实现训练，但是会损失一部分准确率。两步法在目标检测实现过程中经常有较高的准确率，但是由于速度限制不能很好的应用于现实环境。高准确率和高速是检测系统所需要的。本文中提出了一个新的基于两阶段回归的级联的目标检测系统。该系统可以实现车辆的快速检测并且具有前述的两种方法的优势，命名为混合网络。我们的设计中第一阶段和第二阶段都是回归模型。我们在高分辨率特征图上添加了一个过渡阶段到一阶段生成的建议图为第二阶段的准确率微调来提取特征。使用了充满挑战的KITTI和PASCAL VOC2007数据集来评估我们提出的模型。实验结果显示，在车辆检测方面，我们的方法比目前最先进的方法速度更快，准确率更高。
1.引言
随着城市化进程的推进，人口密度和车辆的数量也随之增加。因此，道路交通事故的增长成为了一个令人担忧的问题。每年有数以万计的行人和司机死于交通事故。近几年，车辆检测成为很多感兴趣的研究者的话题。他们旨在挽救生命和减少交通事故的发生。有很多传感设备已经应用于道路车辆检测，如：雷达，激光雷达和计算机视觉。由于相机变得越来越廉价小巧并且质量越来越高，计算机视觉也越来越引起人们的关注。基于视觉的车辆检测系统是一个具有挑战性的问题。对于现实世界的应用，它们需要速度快并且鲁棒性足够强以处理不同的情况，比如不同的视角，照明条件，截断，堵塞等等
后面介绍了目标检测的一些方法，并进行了对比。可以发现其实文中方法并不是最佳的，但是是一种改进。
2.相关工作
简单的介绍了传统检测算法和CNN目标检测方法。下面介绍的应该是都熟悉不过了。
2.1传统检测算法
2.2基于CNN 的检测算法
3.分析和我们的方法
细致的分析了目标检测一步法和两步法，表述了本文提出的方法。
3.1分析
3.1.1Faster RCNN
3.1.2Yolo
3.2我们的方法
3.2.1第一阶段
3.2.2过渡阶段
3.2.3第二阶段
3.2.4检测结果融合
3.2.5实现细节
实现的软件硬件环境和一些参数设置
4.实验
4.1在KITTI 验证集上实验
4.1.1验证集上的实验设置
4.1.2验证集上的效果评估
4.2在KITTI 测试集上实验
4.3在VOC Pascal 2007车辆数据集上实验
5.结论