目标检测知识汇总(待续)

一、神经网络结构

 

 

目标检测领域的深度学习方法主要分为两类：Two stage和One stage。

Two stage表示先由算法生成一系列作为样本的候选框，再通过卷积神经网络进行样本分类。优点在于检测准确率和定位精度高。

One stage表示不用产生候选框，直接将目标边框定位的问题转化为回归问题处理。优点在于算法速度快。

 

二、传统方法

1. DMP

全称Deformable Parts Model，可变形零件模型。大体思路与HOG(Histogram of Oriented Gradients，梯度直方图)一致。先计算梯度方向直方图，然后用SVM(Support Vector Machine，支持向量机)训练得到物体的梯度模型(Model)。有了这样的模板就可以直接用来分类了。

简单说，就是人工提取图像特征，制作出激励模板(HOG特征)。通过HOG特征检测，目标区域会增强，滑动窗口(遍历整个区域)找出目标。这种方法没有通用性，因为人是人的HOG，猫是猫的HOG，不能通用。

See details at: https://blog.csdn.net/ttransposition/article/details/12966521

 

(1) SVM

全称Support Vector Machine，支持向量机。

- 是一种二分类模型；

- 基本模型是定义在特征空间上的间隔最大的线性分类器；

- 使用场景：模式识别，分类及回归分析。

• SVM的工作原理(去找最大的分类间隔)
  SVM原理：就是求一个超平面，这个超平面能把所有的样本点最有把握的分开。
  其中，超平面 - 多维空间分离前景点与背景点的面。
             最有把握 - 样本点到超平面距离最大。
  具体求解最佳分离平面，是求解一个凸优化的问题。
• 硬间隔，软间隔和非线性SVM(线性可分SVM，线性SVM，非线性SVM)
  • 硬间隔 - 完全分类准确，不能存在分类错误。
  • 软间隔 - 允许一定量的样本分类错误。
    具体求解方法：拉格朗日对偶问题。
  • 非线性SVM
    核函数：将样本从原始空间映射到一个更高维的特质空间中，使得样本在新的空间中线性可分。(类似于GrabCut算法?)
• SVM如何解决多分类问题(一对多法 和 一对一法)
  • 一对多：(类似于if ... else ... 嵌套) </

    if A: ... else:   if B: ...   else: if C: ... else D