目标检测中，如何处理目标的大小变化？
首先，一个有理想的人必须得确立一个长远的目标，因为目标是你的明灯，是你的动力，是你理想的化身。然后竭尽全力去实现！可行的目标是可以细化到可执行的每一个小目标！如何处理目标的大小，可以参考以下几条：1、确立一个长远的目标；2、分析目标的可行性与可发现性；可从当下国情与相关的趋势去分析；3、然后把你确立的目标细化，细化到每一个可执行的小目标，切忌急于求成，好高骛远。
mtcnn和yolov3和ssd等目标检测算法各有什么特点或优势？
MTCNN算法是多任务级联卷积神经网络，用于人脸检测和人脸对齐，它是一种级联结构，类似Adaboost算法，主要包括三个子网络：一个是P-Net网络，主要获得人脸区域的候选窗口和边界框的回归向量，并用该回归向量对候选窗口进行校准，然后通过非极大值抑制来合并高度重叠的候选框；第二个子网络是R-Net网络，也是只做检测和边界框回归两个任务；最后一个子网络是O-Net网络，对前面的候选框做进一步的筛选，回归边界框，同时在每个边界框上计算特征点的位置。
而且，MTCNN一种多尺度网络结构，在输入图像数据前，先构建图像金字塔，获得不同尺度的图像再送入P-Net网络。SSD算法是one-stage、端到端的目标检测算法，主要思路是在图片的不同位置进行密集采样，采用不同的尺度比和长宽比，利用卷积神经网络结构提取特征进行分类和回归，其优势是速度快。SSD提取不同尺度的特征图来做检测，前面的大尺度特征图用于检测小目标，后面的小尺度特征图用于检测大目标，采用VGG16作为基础模型。
yolo目标检测算法的基本思想是利用CNN对输入图像提取特征，将输入图像划分成S×S个单元格，如果某个物体的中心位置落入其中一个单元格，那么由该单元格负责检测这个目标。YOLO V3在之前yolo结构的基础上，采用多个尺度融合的方式做预测，加强对小目标检测的精确度。基础分类网络类似ResNet残差网络，分类任务用Logistic取代了softmax，并利用9种尺度的先验框，可以很好的检测大目标和小目标。
MTCNN是专门用于检测人脸的目标检测算法，而yolo和SSD算法是通用的目标检测算法。通用的目标检测算法还有另一种类型，就是two stage的网络模型，先利用一些算法产生候选区域，然后再对候选区域进行分类和回归，这类典型的算法有R-CNN算法、Fast R-CNN算法以及Faster R-CNN算法、FPN算法等。
