目标检测算法综述（近20年）

最新推荐文章于 2025-04-13 23:46:40 发布

Rock_Huang~

最新推荐文章于 2025-04-13 23:46:40 发布

阅读量2.8w

点赞数 40

分类专栏：论文阅读

本文链接：https://blog.youkuaiyun.com/weixin_38632246/article/details/90450264

版权

目标检测最新总结文献：
1《Deep Learning for Generic Object Detection A Survey》下载地址

2.《Object Detection in 20 Years: A Survey》下载地址

GitHub：下载地址

目标检测是将图像或者视频中的目标与其他不感兴趣区域进行区分，判断是否存在目标，确定目标位置，识别目标种类的计算机视觉任务。

以AlexNet为分界线，2012年之前为传统算法，2013年之后为深度学习算法。
在这里插入图片描述

一、目标检测传统算法

包括：
``
1、Viola-Jones算法

2、HOG 特征算法

3 DPM 模型
``

二、基于深度神经网络的目标检测与识别

2012年， Hinton教授的团队利用卷积神经网络设计了AlexNet，在ImageNet数据集上打败所有传统方法的团队，使得CNN成为计算机视觉领域中最为重要的工具。
基于深度学习的目标检测算法大致分为三类：

1、基于区域建议的算法如，R-CNN、 Fast R-CNN、Faster R-CNN等。
2、基于目标回归的检测算法，如YOLO、SSD，retinanet，EfficientDet。
3、基于搜索的目标检测与识别算法， AttentionNet，强化学习。
4、基于Anchor-free的算法，如 CornerNet，CenterNet，FCOS 等。
在这里插入图片描述

网络性能比较如下：

在这里插入图片描述

1.R-CNN 论文地址

代码地址
在这里插入图片描述
主要思想：
1.输入一张图像
2.（Selective Search）选择性搜索从图像中生成2000个左右的区域建议框。
3.对于每一个区域建议框使用CNN提取特征，并组合特征。
4.使用线性SVM分类器对每个区域建议框分类
5.通过边界框回归算法重新定义目标边界框

局限性：
1.目标候选区域的重叠使CNN特征提取存在很大冗余

2.Fast R-CNN 论文地址

代码地址
在这里插入图片描述
主要思想：
1.生成建议窗口，Fast R-CNN用（Selective Search）方法生成建议窗口，每张图片大约2000张。
2.Fast R-CNN将建议窗口映射到CNN的最后一层卷积feature map上
2.使用Softmax预测区域类别概率
3 Smooth L1 Loss 生成边框回归