AI - 分类网络

目标检测模型

1. 参考资料
   （1）52 个深度学习目标检测模型汇总

2. 目标检测：通用目标检测 和 特定领域目标检测
   （1）目标检测是一个分类、回归问题的叠加。
   （2）目标检测的核心问题
      [1] 分类问题：即图片（或某个区域）中的图像属于哪个类别。
      [2] 定位问题：目标可能出现在图像的任何位置。
      [3] 大小问题：目标有各种不同的大小。
      [4] 形状问题：目标可能有各种不同的形状。
   （3）通用目标检测：用统一的框架检测不同物体。
   （4）特定领域目标检测：如人脸检测，行人检测，文字检测等
   

3. 目标检测器：大多数利用 深度学习网络 作为其骨干和检测网络，从输入图像、分类和定位中提取特征。
   （1）对象检测的深入研究领域包括多类别检测、边缘检测、显着对象检测、姿势检测、场景文本检测、人脸检测、和行人检测等作为场景的重要组成部分。

4. 流行的检测算法可以分为两类
   (1) two-stage 算法: 基于Region Proposal , 算法先产生目标候选框（目标位置），然后再对候选框做分类与回归。
      [1] 任务流程：特征提取 --> 生成RP --> 分类/定位回归
      [2] 准确度高一些，但是速度慢
      [3] 候选区域产生
         a. 滑窗法: 滑窗–>分类器–>NMS筛选
         b. 候选区域(选择搜索): 分割算法–>很多子区域–>相似性(颜色,纹理等)子区域合并–>合并的子区域做bounding boxes(外切矩形)
      [4] 代表算法：R-CNN系算法(R-CNN, Fast R-CNN, Faster R-CNN等)，SPP-Net, 下图是R-CNN 和 Fast R-CNN 的流程
   
   (2) one-stage算法: 仅使用一个卷积神经网络CNN直接预测不同目标的类别与位置
      [1] 任务流程：特征提取–> 分类/定位回归
      [2] 速度快，但是准确性要低一些
      [3] 代表算法是Yolovx, SSD, RetinaNet等。
   

参考文章

1. 分类网络介绍 - 01
2. 分类网络介绍 - 02