我在做无人驾驶，基于DNN的车辆行人检测，简单说说方法：

1、Detection和Classification在一个网络里做，是全卷积网络，一路卷积到底，没有全连接层（Pooling还是有的）。需要检测几类物体，就有几个输出。训练目标是图片里对应位置的某物体的coverage（0或1），以及如果coverage为1，就有一个box的坐标用来做regression（如果coverage为0就是don't care）。做inference的时候，要对网络输出结果做clustering，得到最终的bounding box list。类似的结构可以参考XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX

2、识别出物体之后要做跟踪，可以同时结合feature tracker和box tracker。feature tracker就是建立卷积金字塔之后找特征点，很传统的算法，box tracker就是对前后帧的bounding box做卡尔曼滤波之类的。

3、Foveal在汽车上很好用，因为主要关注视场中间的物体，至于视场旁边的物体，本来距离就近，down sample之后检测精度也很高。用在无人机检测就比较麻烦，搞不好只能在第一次检测的时候降低一下阈值，抠下来再过一次网络。如果多台无人机满天飞就比较难处理了，多搞几个摄像头吧。