目標檢測（object detection）的任務是找出影象中所有感興趣的目標（物體），確定它們的類別和位置，是計算機視覺領域的核心問題之一。由於各類物體有不同的外觀，形狀，姿態，加上成像時光照，遮擋等因素的干擾，目標檢測一直是計算機視覺領域最具有挑戰性的問題。
計算機視覺中關於影象識別有四大類任務：
定位-location：解決「在**？」的問題，即定位出這個目標的的位置。
檢測-detection：解決「是什麼？在**？」的問題，即定位出這個目標的的位置並且知道目標物是什麼。
分割-segmentation：分為例項的分割（instance-level）和場景分割（scene-level），解決「每乙個畫素屬於哪個目標物或場景」的問題。
目標檢測要解決的核心問題是：
1.目標可能出現在影象的任何位置。
2.目標有各種不同的大小。
3.目標可能有各種不同的形狀。
如果用矩形框來定義目標，則矩形有不同的寬高比。由於目標的寬高比不同，因此採用經典的滑動視窗+影象縮放的方案解決通用目標檢測問題的成本太高。
基於深度學習的目標檢測演算法主要分為兩類：
1.two stage目標檢測演算法
先進行區域生成（region proposal，rp）（乙個有可能包含待檢物體的預選框），再通過卷積神經網路進行樣本分類。
任務：特徵提取—>生成rp—>分類/定位回歸。
常見的two stage目標檢測演算法有：r-cnn、spp-net、fast r-cnn、faster r-cnn和r-fcn等。
2.one stage目標檢測演算法
不用rp，直接在網路中提取特徵來**物體分類和位置。
任務：特徵提取—>分類/定位回歸。
常見的one stage目標檢測演算法有：overfeat、yolov1、yolov2、yolov3、ssd和retinanet等。
1.two stage目標檢測演算法
r-cnn：
fast r-cnn：
faster r-cnn:
r-fcn:
fpn:
mask r-cnn:
2.one stage目標檢測演算法
ssd：
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...
運動目標檢測
目錄 檢測方法 背景模型 目標檢測 後處理 檢測方法 基於統計背景模型的運動目標檢測方法 問題 1 背景獲取 需要在場景存在運動目標的情況下獲得背景影象 2 背景擾動 背景中可以含有輕微擾動的物件，如樹枝 樹葉的搖動，擾動部分不應該被看做是前景運動目標 3 外界光照變化 一天中不同時間段光線 天氣等...