目標檢測是在中對可變數量的目標進行查詢和分類
目標檢測不僅是給出了矩形框（目標檢測物件的位置），同時對矩形框內的物體進行了分類，以不同的顏色的矩形框表示不同的類別，並且給出了檢測物件屬於目標類別的知信度
影象分類主要是以影象作為輸入，影象屬於不同類別的概率分布作為輸出，主要是對影象的類別進行判定
不管是影象分類還是目標檢測，在使用深度學習技術進行處理的時候，都需要特徵提取環節，對於經典的機器學習方法，通常會通過設計手動的特徵，來完成特徵提取，而深度學習往往通過卷積神經網路來完成特徵的抽取
目標檢測主要去定位目標的位置，位置資訊通常表示為乙個矩形，矩形可用四維資料來進行表示
目標分割需要對每乙個畫素點進行不同類別的劃分，分割結果需要同原始的大小保持一致，往往通過上取樣或者反卷積的形式來得到同原始影象大小的輸出結果
目標檢測演算法
基於深度學習的回歸方法 yolo ssd densebox 傳統目標檢測流程 rcnn解決的就是預先找出圖中目標可能出現的位置，即候選區域，再對這些區域進行識別分類。r cnn 具體步驟如下 步驟二 對該模型做fine tuning 微調 步驟三 特徵提取 步驟四 訓練乙個svm分類器來判斷這個候選...
目標檢測演算法對比 目標檢測演算法工程落地
覆盤一下在實現檢測演算法落地過程中所經歷的乙個流程 列出幾點重點說明一下 1 網路的選取和調參是關鍵 網路選取 考慮到實際情況的實時性 硬體效能，需考慮參數量較小的檢測網路，更傾向於單階段式的網路 基於yolossd等的多個變體網路 其次基礎特徵提取網路backbone的替換，傳統都是vgg的特徵提...
目標檢測演算法歷史
最近在做一些目標檢測相關的東西，目標檢測是計算機視覺裡面最重要的課題之一了，很多場合檢測和識別都是很重要的，比如現在很火的無人駕駛，就非常依賴目標檢測和識別，需要非常高的檢測精度和定位精度。目標檢測從很早就開始有了。傳統演算法的典型代表有 haar特徵 adaboost演算法 hog特徵 svm演算...