目标检测算法种类及展望

目前业界出现的目标检测算法有一下几种：

1. 传统的目标检测算法：Cascade + Haar / SVM + HOG / DPM ；

2. 候选窗+深度学习分类：通过提取候选区域，并对相应区域进行以深度学习方法为主的分类的方案，如：RCNN / SPP-net/ Fast-RCNN / Faster-RCNN  / R-FCN 系列方法；

3. 基于深度学习的回归方法：YOLO / SSD / DenseBox 等方法；

4. 结合RNN算法的RRC detection；结合DPM的Deformable CNN等方法；

基于深度学习方法的几个可能的方向：

1. 从原始图像、低层的feature map层，以及高层的语义层获取更多的信息，从而得到对目标bounding box的更准确的估计；

2. 对bounding box的估计可以结合图片的一些由粗到细（coarse-to-fine）的分割信息；

3. 对bounding box的估计需要引入更多的局部的content的信息；

4. 目标检测数据集的标注难度非常大，如何把其他如classfication领域学习到的知识用于检测当中，甚至是将classification的数据和检测数据集做co-training（如YOLO9000）的方式，可以从数据层面获得更多的信息；

5. 更好的启发式的学习方式，人在识别物体的时候，第一次可能只是知道这是一个单独的物体，也知道bounding box，但是不知道类别；当人类通过其他渠道学习到类别的时候，下一次就能够识别了；目标检测也是如此，我们不可能标注所有的物体的类别，但是如何将这种快速学习的机制引入，也是一个问题；

6. RRC，deformable cnn中卷积和其他的很好的图片的操作、机器学习的思想的结合未来也有很大的空间；

7. 语意信息和分割的结合，可能能够为目标检测提供更多的有用的信息；

8. 场景信息也会为目标检测提供更多信息；比如天空不会出现汽车等等。