目标检测超全综述

目标检测综述

一、two-stage

1、R-CNN (2014 CVPR)

论文名称：Rich feature hierarchies for accurate oject detection and semantic segmentation
论文地址： http://www.rossgirshick.info/#girshick2014rcnn.
代码链接：https://github.com/rbgirshick/rcnn
R-CNN 需要利用候选区域方法创建ROI (大约2000)。这些区域都会被转换为固定尺寸的图像，并分别送到卷积神经网络中，随后使用SVM对区域进行分类，然后使用线性回归损失来校正边界框，以实现目标分类并得到边界框:

2、Fast R-CNN (2015 ICCV)

论文名称：Fast R-CNN
论文地址：https://www.cv-foundation.org/openaccess/content_iccv_2015/papers/Girshick_Fast_R-CNN_ICCV_2015_paper.pdf
代码链接：https://github.com/rbgirshick/fast-rcnn

网络输入的是原图像和对应的region proposal，而不是将region proposal对应的图像分别输入网路。

3、Faster R-CNN (2015 NIPS)

论文名称：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks
论文地址：https://arxiv.org/pdf/1506.01497.pdf
代码链接：https://github.com/rbgirshick/py-faster-rcnn

Faster R-CNN 的流程图与 Fast R-CNN 基本相同，只是使用RPN代替了原来的外部候选区域方法

RPN:


总结：提速生成检测框的过程，旨在将其发展为一个端到端的网络

二、one-stage

1、SSD

论文名称：SSD: Single Shot MultiBox Detector
论文地址：https://arxiv.org/abs/1512.02325
代码链接：https://github.com/midasklr/SSD.Pytorch
没有生成 proposal 的过程，直接利用卷积预测位置和类别