基于深度学习的目标检测算法综述（一）

   接下来的一系列文章是基于微信公众号：磐创AI 推送的有关文章进行总结和记录，现在将总结放在优快云上为了便于自己查看和学习，同时也希望能起到一份知识传递的作用。

• 背景      

   目标检测（Object Detection）是计算机视觉领域的基本任务之一，学术界已有将近二十年的研究历史。近些年随着深度学习技术的火热发展，目标检测算法也从基于手工特征的传统算法转向了基于深度神经网络的检测技术。从最初 2013 年提出的 R-CNN、OverFeat，到后面的 Fast/Faster R-CNN、SSD、YOLO 系列，再到 2018 年最近的 Pelee。短短不到五年时间，基于深度学习的目标检测技术，在网络结构上，从 two stage 到 one stage，从 bottom-up only 到 Top-Down，从 single scale network 到 feature pyramid network，从面向 PC 端到面向手机端，都涌现出许多好的算法技术，这些算法在开放目标检测数据集上的检测效果和性能都很出色。

         首先通过图1对目标检测有一个轮廓性的了解，接下来针对于不同的部分进行结合论文进行概括。同时会给出每篇论文的出处、录用信息以及相关的开源代码链接，其中代码链接以磐创AI的作者实现和mxnet实现为主。

物体检测的任务是找出图像或视频中的感兴趣物体，同时检测出它们的位置和大小，是机器视觉领