物體檢測系列部落格寫作計畫

本系列部落格從研究方法角度分為（a）以rcnn為代表的region based object detection方法；（b）以yolo，ssd為代表的無proposal的回歸檢測方法。並且每種研究思路都會著重關注多尺度，小物體檢測方面的改進演算法。

從文章型別角度主要分為三類：

為了保證系列部落格的連貫性，我首先列出寫作計畫：

r-cnn系列方法的研究脈絡梳理，優缺點，演算法改進。涉及r-cnn，spp-net，fast r-cnn，faster r-cnn

** rich feature hierarchies for accurate object detection and semantic segmentation閱讀筆記。

**spatial pyramid pooling in deep convolutional networks for visual recognition閱讀筆記。

**fast r-cnn閱讀筆記

**faster r-cnn: towards real-time object detection with region proposal networks閱讀筆記

** is faster r-cnn doing well for pedestrian detection?**在行人檢測領域faster r-cnn是否有效，提出了rpn + boosted forest分類器。

開創性工作yolo與後續改進，以及g-cnn，ssd等工作。

平面物體檢測

這個教程的目標是學習如何使用 features2d 和 calib3d 模組來檢測場景中的已知平面物體。測試資料 資料影象檔案，比如 box.png 或者 box in scene.png 等。建立新的控制台 console 專案。讀入兩個輸入影象。mat img1 imread argv 1 cv...

DPM物體檢測相關

deformable parts model dpm 簡介 dpm deformable part model 模型結構初解 關於dpmv5 deformable part model 演算法中model結構的解釋 把訓練出來的模型檔案.mat格式轉為.txt格式的 hog 用於人體檢測的梯度方向直...

物體檢測網路概述

yolo 實時快速目標檢測 yolo詳解 傳統目標檢測系統採用deformable parts models dpm 方法，通過滑動框方法提出目標區域，然後採用分類器來實現識別。近期的r cnn類方法採用region proposal methods，首先生成潛在的bounding boxes，然後...