一. 提出背景
目标检测在图像处理领域有着非常大的占比，过去两年，深度学习在Detection的持续发力，为这个领域带来了变革式的发展：一方面，从 RCNN 到 Fast RCNN，再到
Faster RCNN，不断刷新 mAP；另一方面，SSD、YOLO 则是将性能提高到一个非常高的帧率。
对于视频来讲，相邻帧目标之间存在 明显的上下文关系，这种关系在技术上的表现就是 Tracking，研究过跟踪的童鞋都应该知道 经典算法 TLD，通过 Tracking-Learning-Detection
学习目标的帧间变换，并进行 Location。
基于视频的目标检测 要解决的是同样的问题，因为 变形、遮挡、运动Blur 等因素导致目标 在 中间帧无法检测到（Appearence 发生很大变化），可以从下图看到，基于 still-image 的方法在某些帧的检测置信度很低。
VID(object-detection-from-video) 在2015年已成为一个 Challenge 方向，主要思路是结合帧间的 Context 信息、Tracking信息，接下来我们要讲的算法 TCNN。
论文名称： T-CNN: Tubelets with Convolutional Neural Networks for Object Detection from Videos
二. T-CNN
论文下载：【arvix】
代码下载：【Github】
闲话不说，直接给出框架图：
算法分为四个步骤：
> 论文实现效果
关于这篇论文，读完之后发现水分很大，拼凑的地方比较多，只为了发篇论文，并无亮点，如果我是评委，不会给过的。
饶是如此，VID的第一篇文章，还是把它介绍出来，了解其思想即可不必深究，本人的观点是，在 Real-Time 系统之中基于Detection & Tracking的方法结合就够了，只用到前帧信息（后面帧信息不建议用）。
三. Deep Feature Flow
论文下载：【arvix】
代码下载：【Github】
MSRA 出品，突然感慨这是没有了 孙剑、何凯明的 MSRA，虽然吹的依旧火热，不过与 FAIR、Google Brain差距也是越拉越大。
跑题了，这篇文章思路比较简单，受 Detection 效率的制约，在处理实时的视频应用上，结合光流的思路，实现特征图的帧间传播和复用。
算法要点描述为：
> 算法流程
本文链接：http://task.lmcjl.com/news/12213.html
