目标分割学习

目标检测：更关注语义层面
目标分割：关注像素级别的

目标检测算法基本流程

DPM：会加额外的策略，传统算法的巅峰之作

深度学习目标检测方法：
One-stage(YOLO SSD)
Two-stage(Faster RCNN)

目前深度学习目标检测方法是主流
通过学习方法获取特征，特征会更加鲁棒
Proposal或者直接回归 获取目标
在进行目标判定的时候，通过深度网络
特征的不鲁棒，
端到端，端到端的步骤比传统目标检测算法的多步骤更加方便去适应模型

传统目标检测方法基本流程
多分类：区分背景
对候选框判定后

NMS：非极大抑制：对候选框合并

深度学习目标
将特征提取的过程变成卷积神经网

Viola-Jones（人脸检测）
haar特征：
候选框：滑动窗口提取

HOG+SVM
用于行人检测（行人姿态存在差异，且为运动）
提取HOG特征
HOG特征（
纹理特征的一种
对特征进行灰度化（Hog主要用于灰度图上（
进行Gamma变换
计算梯度map（当前像素点的方向角：量化到0——360
维度：量化角度，程度，CELL，
训练SVM分类器
对行人和背景进行建模
支持向量
候选目标提取;
候选框过滤：SVM

DPM：传统目标检测算法的巅峰之作
HOG的扩展
利用SVM训练得到物体的梯度

NMS：
目的：为了消除多余的框，找到最佳的物体检测的位置
思想：选取那些领域里分数最高的窗口，同时抑制那些分数低的窗口
（分数：概率值）
Soft-NMS：直接待用阈值对检测框的判定太多粗略。因此soft
对相邻区域内的检测狂的分数进行调整儿非彻底抑制，从而提高了高检测率情况下的准确率。
在低检索率时仍能对物体检测性能有明显提升。

ROI_POOLINT：抠图
Two-stage：
RCNN
Fast RCNN
Faster RCNN
Faster RCNN变种