目标检测(二)

目标检测是计算机视觉中一个传统的问题，基本流程可以看做：
特征提取–> 模型训练(分类)–> 滑动窗口计算响应(可以做多尺度)---->非极大值 等基本步骤
传统的目标检测方法：svm+hog, DPM等，这里就不详细解释了。

卷积神经网络目标检测的发展：
R-CNN —> fast R-CNN —> faster R-CNN ----->yolo —>ssd---->FPN

1、R-CNN ：Rich feature hierarchies for accurate object detection and semantic segmentation
这是一个很符合传统目标检测流程的方法，CNN类似的作为特征提取器。然后使用SVM分类，并用回归其对坐标进行回归。
缺点是，图像进入网络之前要生成大量的proposal 区域，存在重复计算卷积的情况，效率低
2、fast R-CNN

特点：

• 减少重复卷积
• Region Proposal 依然耗费时间

3、faster R-CNN
特点：

使用RPN网络，生成Anchor区域，并对其回归和分类(物体或背景)，代替Region Proposal 节省时间。