如图 1 所示， 本文提出一种 coarse-to-fine 的物体检测方法，即：先用低分辨率的图像推断出需要细粒度检测的位置，然后再对这些区域进行放大，进行细粒度的检测。这样做的好处是，仅仅需要少量的计算量就可以得到高分辨率图像的检测结果。本文的网络主要包含两个部分：一个机制是学习粗略和细粒度检测器之间的统计关系，这样就可以预测哪些区域需要进行放大处理；第二个机制是选择一系列的图像区域进行细粒度分析。
2. Dynamic Zoom-in Network：
2.1. Problem Formulation：
本文将该任务建模为马尔科夫过程，每一个时刻，该系统观察到当前状态，预测潜在的奖励，选择能够得到长期奖励的动作来执行：
Action：一个动作就对应了一个区域，（x, y, w, h），其中，x y 代表 location，w h 代表区域的高。在每一个时刻，算法都会对潜在的动作进行打分，即奖励。
State：作者将两种信息编码进来：1). 尚且没有被分析区域的预测精度；2). 已经分析过的区域历史。作者设计了一个 zoom-in accuracy gain regression network (R-net) 来学习一个 informative accuracy gain map (AG map) 作为状态的表达。该 AG map 和输入图像有相同的宽高，其每一个像素值代表了如果对应图像被选择，那么精度会提升多少。所以，AG map 提供了选择不同区域得到的检测精度。在执行一个 action 之后，在 AG map 上选择区域的值会对应的降低，所以 AG map 可以动态的记录 action history。
Reward：作者将 cost increment 和 accuracy improvement 都带到奖励函数的计算上：
其中，第一项衡量了精度，第二项衡量了选择区域的多少。
如上图所示，给定低分辨率的图像，R-Net 会将进行粗检测，然后该结果会反应到 AG Map 上，这个 map 其实类似 attention，反应出哪里应该重点照顾，然后该图输入到 Q-Net 中，该网络会对输出对应区域是否进行放大处理的得分。根据选择出来的区域，再进行扣 patch 块。再进行细粒度的检测。
3. Experiment：
