小白的树莓派Tensorflow2.0 opencv 学习笔记（五）

神经网络目标检测

神经网络的类型

1. 全连接层神经网络
   前向计算简单、梯度求导简单，但参数量大，训练困难
2. 卷积神经网络
   利用局部相关性和权值共享思想，在计算机视觉方面表现出色，但不擅长自然语言
3. 循环神经网络
   广泛应用于自然语言和长序列问题，但训练不稳定，难以并行化
4. 注意力神经网络
   最初在图像分类任务上提出，后来也应用于NLP等领域
5. 图神经网络
   处理空间拓扑结构

为了实现树莓派的图像识别，暂时只关注卷积神经网络并且为了制作一辆能够自主循迹，识别物体并且实现抓取功能的小车，我们暂时只学习卷积神经网络的区域模型（即区域目标检测，而非简单的图形识别或分类）

内容主要包括四种卷积网络

1. R-CNN
2. Fast R-CNN
3. YOLO
4. SSD

首先明确目标检测与图像分类的不同：目标检测要求在图像中确定多个可能目标的位置，首先判断是否存在目标，如果存在再进行分类

R-CNN

采用滑动窗口利用区域识别进行目标检测
包括三个模块：区域推荐、特征提取、区域分类

1. 区域推荐：将输入图像生成约2000个区域推荐构成候选检测集。推荐的方法时选择性搜索
2. 特征提取：从每个区域推荐中提取固定长度为4096的特征向量，利用卷积网络计算每个区域推荐的特征值
3. 区域分类：对每个推荐区域进行打分和筛选，先采用类别相关的线性支持向量机对特征向量打分，