背景
Faster R-CNN对于object detection效果很好，但是对于detecting pedestrian效果一般
专门为pedestrian detection设计的RPN作为一个独立的pedestrian detector表现很好，但是在把这些生成的proposals送入Fast R-CNN分类器时表现很差
传统的pedestrian detectors大多是hand-crafted feature和deep convolutional features的混合方法
Faster R-CNN表现及改进：
处理小目标时，送入Fast R-CNN分类器的convolutional feature maps的分辨率太低，这与hand-crafted features可以得到更好的分辨率形成对比。为此，可以通过从较浅但分辨率较高的层pooling features，并用hole algorithm增加feature map的大小来解决这个问题。
pedestrian detection中的错误预测主要是由于hard background instances混淆造成的，这与object detection出现混淆的原因（多个类别）不同。为了解决hard negative examples，采用cascaded Boosted Forest（BF）的方法，可以有效的解决hard negative mining（bootstrapping）和sample re-weighting，以区分RPN的proposals。（即：用bootstrapping strategy挖掘hard negative examples）
【行人检测（Is Faster R-CNN Doing Well for Pedestrian Detection（论文笔记））】创新
BF重新利用RPN的深度卷积特征，并在共享的高分辨率的卷积特征图上增加boosted forests。这个策略不仅降低了分类器共享特征的计算消耗，而且利用了深度学习得到的特征
传统的pedestrian detectors被广泛使用的原因：
hand-crafted features有更高的分辨率，并且在检测小目标时效果很好
在挖掘hard negative examples时用了bootstrapping的方法
方法
文章图片
RPN生成candidate boxes和卷积特征图；Boosted Forest使用卷积特征对proposals进行分类
anchors使用1个aspect ratio（0.41），9个scales
VGG-16在ImageNet数据集上做预训练
RPN在Conv5_3之后，紧接着是用于分类和边界框回归的一个3*3卷积层和两个1*1卷积层（回归框步长为16像素）
分类层给出了预测框的得分，可以用于后面Boosted Forest的得分初始化
RoI pooling提取regions的定长的特征，这些特征被用于训练BF
Faster R-CNN要求这些特征输入到原始的fc层，限制了维度，而BF分类器不对特征维度进行限制，保证了分辨率
RPN生成了region proposals、scores和features，这些都被用于训练Boosted Forest分类器
图像作resize，
