这篇博客介绍了物体检测的不同方法，包括滑动窗法如Overfeat网络，HOG和DPM目标检测，以及R-CNN系列（R-CNN, Fast R-CNN, Faster R-CNN）的发展。重点讨论了如何通过深度学习优化检测速度和准确性，并提到了空间变换神经网络和深度残差网络的概念。"
125493642,1467435,使用C语言和UTHASH解决LeetCode的子数组和问题,"['算法', 'LeetCode', 'C语言']
一般流程参考
方法一：把定位作为回归问题（很实用可以这样考虑）
选择防止回归曾的位置，都可以
法二：滑动窗法，如overfeat网络
加速（高效）窗口法：不把4096看作向量，而是看作feature map特征映射，
那么只剩下卷积和池化操作
（分类方法）的目标检测
之前的方法有（histogram of oriented gradients）方向梯度直方图HOG目标检测，Deformable Parts Model（DPM深度学习前身，对任何尺度，任何长宽比，任何位置进行预处理，速度很快）
dfm也是一种深度学习
Region proposals区域对象目标检测器
如ssd
其他检测方法EDGEBOXES就很好
R-CNN
训练过程
针对你的对象类别，在最后加几层
硬盘需求量很大
mAP评估
## 问题
Fast RCNN
共享不同目标框的卷积特征的计算解决了这个问题
同时训练所有部分
max pooling用BP算法
faster RCNN使用RPN区域推荐网络
空间变换神经网络（可参考文献）
不同于ROI池化，我们做双线性插值
了解名词：深度残差网络
把检测问题当作回归问题
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
