1.多尺度图像预测
将图片进行不同尺度的缩放，得到图像金字塔，如果对每层图片提取不同尺度的特征，得到特征图。最后对每个尺度的特征都进行单独的预测。
特点：不同的尺度的特征都可以包含很丰富的语义信息，精度高，但是速度慢。

2.金字塔特征预测
将输入的图片转变成feature map，在feature map层面上来进行尺度变换，采用不同的方法进行不同尺度特征的融合，以实现多尺度检测。

2.1 FPN
特征金字塔网络：将低层的特征和高层的特征融合起来，在不同的特征层进行预测。
2.2 SSD
从网络不同层抽取不同尺度的特征，然后在这不同尺度的特征上分别进行预测。低层对小物体检测比较有效。

3.bounding box设计
利用rpn网络生成不同尺度的anchor，实现多尺度目标检测。faster RCNN和SDD都用到这方法。

faster rcnn中 RPN 从单个feature map上面预测，是二分类（是|不是目标）；SSD中 RPN从多个特征图上面预测，是（N+1）分类（N个类别+1个背景）。