主要內容來自於對 「專知深度學習-高君宇」 教學資料的梳理筆記 和 來自網際網路知識的輔助理解，感謝。
目標檢測就是在一張中找到所有的物體並且給出其類別和邊框（bounding box），如圖。
早期的目標檢測有很多模型，典型的有基於部件的模型（dpm），pedro f在2023年提出來的利用hog對多精度下的進行特徵提取，然後將特徵轉換成響應訊號，進行響應整合，最終獲得目標檢測框。
hog：方向梯度直方圖，常用於影象特徵提取（與lbp,harr並稱影象特徵提取三**寶，哈哈），經常配合svm使用解決影象識別問題。有幾個部落格寫的很詳細：隨著科技的發展，的獲取變得便捷，資料量的大幅上公升，在資料驅動下，目標檢測的方法逐漸向深度學習神經網路方向偏移。
以上就是概述部分，下面是詳細講解。
名詞了解：
1）評價標準：召回率，準確率，交並比，平均準確率，詳細解釋可以檢視我的往期部落格。
2）滑動視窗（sliding window）
3）難樣本挖掘（hard negative mining）:給難分的負樣本更多關照（權重）。
4）非極大值抑制（non-maximum suppression）：將與指定框overlap過高的框移除。
5）邊界框回歸：對目標候選進行精化，減少框內無關背景。
兩階段目標檢測方法：產生目標候選->分類 ，
r-cnn，將特徵提取（cnn）和分類（svm）分為兩個步驟完成。
基本框架如圖，
幾種方法對比（liu, li, wanli ouyang, xiaogang wang, paul fieguth, jie chen, xinwang liu, and matti pietikäinen. "deep learning for generic object detection: a survey." arxiv preprint arxiv:1809.02165 (2018).）
兩階段方法都需要經過目標候選和分類兩個階段，計算複雜度高，不利於實時性。
單階段目標檢測演算法
yolo，
劃分網格，檢測每個網格中目標存在的概率，每個網格**是某一類別的條件概率（將第二階段加入進來了）
未完待續。。。
深度學習目標檢測
流程狂徒如下 1 使用selective search提取proposes，然後利用cnn等識別技術進行分類。2 使用識別庫進行預訓練，而後用檢測庫調優引數。3 使用svm代替了cnn網路中最後的softmax，同時用cnn輸出的4096維向量進行bounding box回歸。4 流程前兩個步驟 候...
深度學習（六） 目標檢測
多個目標 思路 區域性識別問題 優點生成候選位置 擴充套件 過程 優點 缺點 候選位置提醋和方法 候選框進行svm分類 fine tune分類模型 特徵提取 單獨目標探測器訓練 資料集 評估方法 iou 優點 缺點 特徵一致化max pooling 位置 類別 聯合學習 速度快了精度提公升不多 怎麼...
（深度學習）目標檢測常見術語
簡言之就是基於深度學習目標檢測中提前預設的一組不同尺度不同位置的固定參考框。這個anchor在faster rcnn上面也叫reference boxes，也就是參考框。1.傳統目標檢測 金字塔多尺度 遍歷滑窗的方式，逐尺度逐位置判斷 這個尺度的這個位置處有沒有認識的目標 非常笨重耗時。2.基於深度...