目标检测综述学习

基于深度学习的目标检测方法大致分类

• 基于区域
  主要分两步走：
  (1)生成可能区域（Region Proposal），类似于找ROI，提取特征
  (2)放入分类器分类并修正位置
  代表模型：
  R-CNN (CVPR2014)
  Fast R-CNN (ECCV2014)
  Faster R-CNN (NIPS2015)
  发展顺序：
  R-CNN -> SPP Net -> Fast R-CNN -> Faster R-CNN -> Mask R-CNN
• 基于回归
  直接对预测的目标物体进行回归，快速（端到端）
  YOLO (CVPR2016)
  SSD (ECCV2016)
• 基于RNN
  IOUNet (CVPR2016)

以下开始如一介绍

• R-CNN
  
  （1）使用selective search：先生成候选区域再检测，降低信息冗余程度，从而提高检测速度。将目标区域找出来后，均一化为统一大小，进行特征提取
  （2） 训练一个SVM分类器，
• Fast CNN

R-CNN耗时的原因是CNN是在每一个Proposal上单独进行的，没有共享计算，该方法提出将基础网络在图片整体上运行完毕后，再传入R-CNN子网络，共享了大部分计算，故有Fast之名。

R-CNN耗时的原因是CNN是在每一个Proposal上单独进行的，没有共享计算，便提出将基础网络在图片整体上运行完毕后，再传入R-CNN子网络，共享了大部分计算，故有Fast之名。