本文介绍了目标检测的基本问题，包括目标种类与数量、尺度、环境干扰等挑战，以及检测任务中的类别和置信度要求。重点讨论了特征提取的重要性。此外，文章还对比了目标检测与图像分类、目标分割的区别。在方法部分，概述了从传统方法如VJ、HOG、DPM到深度学习方法的演变，如Overfeat、RCNN、YOLO、SSD等，分析了各自的优缺点。最后，提到了NMS在候选框合并中的作用。
目标检测问题定义
目标检测是在图片中对可变数量的目标进行查找和分类。
- 目标种类与数量问题
- 目标尺度问题
- 外在环境干扰问题
框上有类别和置信度（有阈值限定）
特征提取是重点！
目标分割：语义分割（除去背景区域的其他区域位置，精确到像素级别）
实例分割：实例层面的。更细致。
图像分类：只指出类别。
目标检测的方法
传统方法到深度学习方法的变迁。
1、传统方法：VJ、HOG、DPM（基于传统手工特征的检测算法，滑动窗口进行目标检测定位）
存在问题：特征难设计，设计的特征会对特定条件不适应等问题。通过滑动窗口方式流程繁琐，耗时。
2、深度学习方式：Overfeat、RCNN、（前两者只是利用卷积神经网进行特征提取，并没有本质上改变搜索框提取目标区域的策略，速度慢）SPPNet、Fast RCNN（通过RPN网络）、Faster RCNN、YOLO、SSD（不采用提取候选框的策略，直接回归目标框位置）、Pyramid Networks、Retina-Net（按时间顺序排序）
目标检测方法：
NMS进行候选框的合并。
传统的目标检测方法：
Viola-Jones
HOG + SVM
最低0.47元/天 解锁文章
扫一扫
694
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
