基于深度学习的目标检测算法综述

https://note.youdao.com/oldweb/list?notebook=%2FWEB0c4130fd1857aced7169fbdbd8a05271&sortMode=0&note=%2FWEB0c4130fd1857aced7169fbdbd8a05271%2F3E950A1012484E1F8722C7EBD0B1A53C

目标检测的任务：是找出图像中所有感兴趣的目标（物体），确定它们的位置和大小，是机器视觉领域的核心问题之一
挑战性的问题：由于各类物体有不同的外观，形状，姿态，加上成像时光照，遮挡等因素的干扰，
图像识别四大类任务：
分类-Classification：解决“是什么？”的问题，即给定一张图片或一段视频判断里面包含什么类别的目标。
定位-Location：解决“在哪里？”的问题，即定位出这个目标的的位置。
检测-Detection：解决“是什么？在哪里？”的问题，即定位出这个目标的位置并且知道目标物是什么。
分 割 -Segmentation：分为实例的分割（Instance-level）和场景分割（Scene-level），解决“每一个像素属于哪个目标物或场景”的问题。
解决的核心问题：

        1.目标可能出现在图像的任何位置。

        2.目标有各种不同的大小。

        3.目标可能有各种不同的形状。

            由于目标的宽高比不同，因此采用经典的滑动窗口+图像缩放的方案解决通用目标检测问题的成本太高。

应用：人脸检测，行人检测，车辆检测，交通标志检测等重要目标的检测
工业中材质表面的缺陷检测，硬刷电路板表面的缺陷检测
农作物表面的病虫害识别
肿瘤等病变部位检测和识别对于诊断的自动化
相关算法：（与人脸、行人等特定类型的目标检测不同，通用目标检测要同时检测出图像中的多类目标，难度更大。）
（1）DPM 算法：（Deformable Part Model）可变形的组件模型，是一种基于组件的检测算法
基本思想：是先提取 DPM 人工特征，再用 latentSVM 分类
缺点：DPM 特征计算复杂，计算速度慢
人工特征对于旋转、拉伸、视角变化的物体检测效果差。
（这些弊端很大程度上限制了算法的应用场景。）
（2）Alexnet：（通过卷积神经网络可以学到物体在各个层次的抽象表达）
（3）OverFeat:（改进了 Alexnet，提出了使用同一个卷积网络完成了多个任务的方法。）
基于 DCNN 物体检测发展
（1）R-CNN: Region CNN
https://zhuanlan.zhihu.com/p/29016445
https://www.zhihu.com/people/lu-yi-90-79/posts
https://blog.csdn.net/qq_25178609/article/details/50824671