有些代码不应该被忘记

在之前的文章里我们常用的图像相关深度学习模型一般都是用于分类（Classification），即输入是一张图片，输出是“这张图片里有什么”，今天的主题是目标检测（Object Detection），除了能识别“这张图片里有什么”，还要告诉“它们的具体位置”。对目标检测感兴趣的读者可以通过 Pascal VOC【1】、ILSVRC【2】、COCO【3】 等国际比赛了解具体规则和数据等

之前一直想总结下SSD，奈何时间缘故一直没有整理，在我的认知当中，SSD是对Faster RCNN RPN这一独特步骤的延伸与整合。总而言之，在思考于RPN进行2-class分类的时候，能否借鉴YOLO并简化faster rcnn在21分类同时整合faster rcnn中anchor boxes实现multi-scale的思想而设计出了SSD，这篇blog关于SSD的细节方面整理的很好，以供参考。

图像数据库http://blog.leanote.com/post/wjgaas@126.com/%E5%9B%BE%E5%83%8F%E6%95%B0%E6%8D%AE%E5%BA%93一、Data Set数据集（常用）PASCAL VOC包括物体的类别标签和位置标签，一万图像，20类。ImageNet有22K种共15M张高分辨率带标签图像，图像全被收集于网络，人工标

注意：该程序功能是检测二维码，不是识别，只是在图中定出二维码的位置即可原图是这样：如果出现这张图片时，程序需要找到二维码其余图片是这样：程序步骤： 1.图片缩小 2.灰度化，直方图均衡化，对比度增强，滤波 3.otsu阈值分割 4.五次膨胀 5.轮廓查找，如果轮廓满足一下条件，认为可能为二维码区域，像素面积大于60，长短轴之比小于1.3 

在介绍Faster R-CNN之前，先来介绍一些前验知识，为Faster R-CNN做铺垫。一、基于Region Proposal（候选区域）的深度学习目标检测算法Region Proposal（候选区域），就是预先找出图中目标可能出现的位置，通过利用图像中的纹理、边缘、颜色等信息，保证在选取较少窗口（几千个甚至几百个）的情况下保持较高的召回率（IoU，Intersection-over-

一、目标检测任务 1、任务综述 给定一张图像或者视频帧，找出其中所有目标的位置，并给出每个目标的具体类别，图片中可能有一个目标或几个目标。如下图所示 对计算机来说，目标检测最困难的部分在于计算机不清楚目标出现在图像中哪个区域。图像中的目标可能出现在任何位置，目标的形态可能存在各种各样的变化。 2、模型框架 传统的目标检测中，常见的算法是DPM（Deformable Pa

FROM:    http://www.cnblogs.com/einyboy/p/3594432.html一、特征提取Feature Extraction：SIFT [1] [Demo program][SIFT Library] [VLFeat]PCA-SIFT [2] [Project]Affine-SIFT [3] [Project]SURF [4] [Op

Henriques, João F., et al. “High-speed tracking with kernelized correlation filters.” Pattern Analysis and Machine Intelligence, IEEE Transactions on 37.3 (2015): 583-596.本文的跟踪方法效果甚好，速度奇高，思想和实

可以看看这个 http://blog.youkuaiyun.com/workerwu/article/details/46537849Deep Residual NetworksDeep Residual Learning for Image Recognition https://github.com/KaimingHe/deep-residual-networksIdentity Ma

本文是继RCNN[1]，fast RCNN[2]之后，目标检测界的领军人物Ross Girshick团队在2015年的又一力作。简单网络目标检测速度达到17fps，在PASCAL VOC上准确率为59.9%；复杂网络达到5fps，准确率78.8%。作者在github上给出了基于matlab和python的源码。对Region CNN算法不了解的同学，请先参看这两篇文章：《RCNN算法详解》

前深度学习时代的计算机视觉互联网巨头看重深度学习当然不是为了学术，主要是它能带来巨大的市场。那为什么在深度学习出来之前，传统算法为什么没有达到深度学习的精度？在深度学习算法出来之前，对于视觉算法来说，大致可以分为以下5个步骤：特征感知，图像预处理，特征提取，特征筛选，推理预测与识别。早期的机器学习中，占优势的统计机器学习群体中，对特征是不大关心的。我认为，计算机视觉可以说是机器学习