基于深度学习的目标检测算法（一）

-- 目标检测任务综述

        - 基于传统图像处理和机器学习算法的目标检测

        - 基于深度学习的目标检测

        - 目标检测数据集和性能指标

-- two-stage目标检测算法

       - R-CNN

       - Fast-R-CNN

       - Faster-R-CNN

       - R-FCN

-- one-stage目标检测算法

       - YOLO

       - YOLO v2

       - YOLO v3

       - SSD

-- 基于搜索的目标检测算法

      - AttentionNet

      - 基于强化学习目标检测算法

-- 目标检测tensorflow API的使用

目标检测任务综述

目标检测任务就是在一张图片（或视频的一帧）中找到物体的位置并识别出物体的分类。目标检测作为计算机视觉领域中的重要任务，在实际生活中拥有广泛的应用。如：自动驾驶、视频监控、医学图像分析等等。

目标检测任务的方法主要有：

1）基于传统图像处理和机器学习算法的目标检测

2）基于深度学习的目标检测

本系列文章主要对基于深度学习的目标检测做详细介绍。基于传统图像处理和机器学习算法的目标检测只做简略介绍。

基于传统图像处理和机器学习算法的目标检测

传统的目标检测方法主要分为以下三步：

1）区域选择（滑窗）

2）特征提取（SIFT、HOG）

3）分类（SVM、Adaboost）

基本上是通过滑窗法等方法选出候选区域，然后提取特征，然后用分类器进行分类。

基于深度学习的目标检测

深度学习出现后，基于深度学习的目标检测逐渐流行起来。其主要有两个方向：

1）一个是基于Region Proposal的深度学习目标检测算法，主要有RCNN，SPP-Net，Fast-RCNN，Faster-RCNN，以及在它们上面的各种优化算法。他们的共同特定是都是基于两步走的算法，就是先找到图片中可能的物体的边界框，在用分类器确定框里的物体是什么，并且用边界框回归精修边界框的位置。

2）一个是基于End-to-End的深度学习目标检测算法，主要有overfeat，YOLOv1，YOLOv2，YOLOv3，SSD等。他们都是基于回归方法的目标检测算法。

现在，基于新的搜索的目标检测算法也出现了，如AttentionNet和基于强化学习目标检测算法。

目标检测数据集和性能指标

单目标检测数据集：Pascal VOC

多目标检测数据集：COCO