目標檢測是計算機視覺中乙個傳統的問題，基本流程可以看做：
特徵提取–> 模型訓練(分類)–> 滑動視窗計算響應(可以做多尺度)---->非極大值 等基本步驟
傳統的目標檢測方法：svm+hog, dpm等，這裡就不詳細解釋了。
卷積神經網路目標檢測的發展：
r-cnn —> fast r-cnn —> faster r-cnn ----->yolo —>ssd---->fpn
1、r-cnn：rich feature hierarchies for accurate object detection and semantic segmentation
這是乙個很符合傳統目標檢測流程的方法，cnn類似的作為特徵提取器。然後使用svm分類，並用回歸其對座標進行回歸。
缺點是，影象進入網路之前要生成大量的proposal 區域，存在重複計算卷積的情況，效率低
特點：
3、faster r-cnn
特點：
使用rpn網路，生成anchor區域，並對其回歸和分類(物體或背景)，代替region proposal 節省時間。
目標檢測 目標檢測通用框架總結
目標檢測框架個人總結 以下是筆記中包含的內容 目標檢測網路框架總結 yolov4中有圖 從最開始的神經網路到現在深度更深，模組更多的目標檢測深度學習神經網路，如今大致可以分為two stage detector 典型的為rcnn系列 和 one stage detector 典型為yolo系列 每個...
目標跟蹤檢測演算法（二） 檢測與跟蹤
在該階段，對已存的目標追蹤演算法出現了兩種比較公認的分類，一種是基於生成模型的方法，一種是基於判別模型的方法。在第一階段中的方法都屬於前一種，而基於判別的方法是指通過分類來做跟蹤，也叫檢測跟蹤 tracking by detection 通過機器學習方法，提取影象特徵，並訓練分類器進行分類，在下一幀...
目標檢測入門 目標檢測基本概念
目標檢測關注影象中特定的物體目標，要求同時獲得這一目標的類別資訊和位置資訊。檢測給出的是對前景和背景的理解，需要從背景中分離出感興趣的目標，並確定這一目標的描述 類別和位置，常用檢測框表示 與影象分類的區別，目標檢測更具難度 影象分類只需要判斷輸入的影象中是否包含感興趣物體，而不需要定位具體位置 如...