目标检测1：概念及传统目标检测方法

1. 目标检测问题定义

• 目标检测是对图片中的可变数量的目标进行查找和分类。

  • 目标种类和数量问题（可变）
  • 目标尺度问题（有大有小）
  • 外在环境干扰问题（背景）

  

2. 目标检测问题方法

2.1 传统目标检测到深度学习目标检测方法的变迁

2.2 算法基本流程

3.传统目标检测方法：

• Vila-Jones（人脸识别）
  

  • HOG+SVM（行人检测、OpenCV实现）：HOG主要用于灰度图，与cell大小、map梯度有关
    
    

  • DPM（物体检测）：基于HOG，是非深度学习中较优的一种方法。
    
    
    

• 特征提取：
  • 底层特征：颜色、纹理等（手工设计的特征）
  • 中层特征：底层特征经过处理（基于学习的特征）
  • 高层特征：语义特征
    主要是底层特征和中层特征用的较多
• NMS(非极大值抑制算法）
  • 目的：消除多余的候选框，找到最佳的物体检测位置。
  • 思想：选取邻域里分数最高的窗口，同时抑制分数低的窗口。
• Soft-NMS
  • NMS的改进版，对得分低的不采取彻底抑制，而是进行调整。（提高了高检索率下的准确率）
  • 在低检索率时仍能够提高物体检测性能。
    
    

---

4.深度学习目标检测方法：

• One-Stage（YOLO和SSD系列）
• Two-stage（Faster RCNN系列）
  

4.1 传统方法VS深度学习：

 ------

4.2 Two-stage基本介绍

• CNN卷积网络
• 2014年提出的R-CNN到faster RCNN
• 端到端的目标检测（RPN网络）
• 准确度高、速度相对one-stage慢