深度学习 - 目标检测算法

本文介绍了目标检测的发展,从传统的多尺度滑动窗口和Adaboost算法,到基于候选区域的RCNN及其改进,再到YOLO直接回归目标框的方法。通过选择性搜索、图像变换、CNN特征提取和非极大值抑制等步骤,揭示了深度学习在目标检测领域的进步。
摘要由CSDN通过智能技术生成

1. 传统目标检测

传统目标检测算法流程为:多尺度滑动窗口,对每个窗口进行特征提取,分类器分类。以adaboost人脸检测算法为例:

1)多尺度滑动窗口提取很多不同尺度的窗口。

2)对每个窗口进行特征提取,在人脸检测中常用的harr特征,如下图:


分别对应的特征是:边缘特征,线性特征,方向特征。特征计算方式是白色区域像素之和 - 黑色区域像素之和。

3)分类器分类,一般分为两类:背景,目标。

  • 0
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值