写在前面
研究DPM大半年了,实验也做过,工程项目也应用过,发现针对复杂背景的对象检测的效果不是很好,而且由于HOG特征提取和多
个部件滤波器的特征提取,造成检测速度很慢,难以用在视频的对象检测上。最近看到了CVPR的一些对象检测的新进展,感觉很有
领悟,趋向于基于深度学习的路线,收集了一些资料,在研究中。
目标检测就是“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”。 目标检测对于人来说是再简单不过的任务,但是对于计算机来说,它看到的是一些值为0~255的数组,因而很难直接得到图像中有人或者猫这种高层语义概念,也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,图像的背景千差万别……,这些因素导致目标检测并不是一个容易解决的任务。 得益于深度学习——主要是卷积神经网络(convolution neural network: CNN)和候选区域(region proposal)算法,从2014年开始,目标检测取得了巨大的突破。下文主要对基于深度学习的目标检测算法进行剖析和总结,文章分为四个部分:第一部分大体介绍下传统目标检测的流程,第二部分介绍以R-CNN为代表的结合region proposal和CNN分类的目标检测框架(R-CNN, SPP-NET, Fast R-CNN, Faster R-CNN); 第三部分介绍以YOLO为代表的将目标检测转换为回归问题的目标检测框架(YOLO,SSD);第四部分介绍一些可以提高目标检测性能的技巧和方法。
——————摘自深度学习大讲堂 基于深度学习的目标检测研究进展
下面是R-CNN,SPP-NET, Fast-R-CNN,Faster-R-CNN, YOLO, SSD系列深度学习检测方法梳理
1、主页:https://people.eecs.berkeley.edu/~rbg/
2、深度学习(十八)基于R-CNN的物体检测-CVPR2014
3、深度学习(十九)基于空间金字塔池化的卷积神经网络物体检测-ECCV2014
Paper: Spatial PyramidPooling in Deep Convolutional Networks for Visual Recognition
4、深度学习(二十)基于Overfeat的图片分类、定位、检测-2014ICLR《OverFeat: Integrated Recognition, Localization and Detection using Convolutional Network>>
5、Faster R-CNN之再阅读
6、物体检测与识别-FasterRCNN
7、Faster R-CNN学习笔记
8、RCNN & SPP-net & Fast-RCNN & Faster-RCNNhttp://blog.sina.com.cn/s/blog_9ae57c020102vopp.html
9、R-CNN,SPP-NET,Fast-R-CNN,Faster-R-CNN, YOLO, SSD系列深度学习检测方法梳理
10、【目标检测】RCNN算法详解
11、物体检测-从RCNN到YOLO http://pjreddie.com/darknet/yolo/
12、论文笔记(3)You Only LookOnce:Unified, Real-Time Object Detection
13、论文提要“YouOnly Look Once: Unified, Real-Time Object Detection”
14、论文阅读笔记:YouOnly Look Once: Unified, Real-Time Object Detection
15、FasterRCNN算法详解
16、http://blog.csdn.net/garfielder007/article/details/51078852
17、论文笔记|Richfeature hierarchies for accurate object detection and semantic segmentation
18、http://www.cnblogs.com/CarryPotMan/p/5390336.html
19、http://blog.csdn.net/qq_30040223/article/details/48491997
20、http://blog.csdn.net/u014365862/article/details/51429451
21、http://download.csdn.net/download/qq_16956901/9377703
22、http://blog.csdn.net/bea_tree/article/details/51659263
1、Fast RCNN训练自己的数据集(3训练和检测)
2、 Ubuntu下运行Faster-Rcnn
3、Faster R-CNN CPU环境搭建