目标检测1——基本流程、发展历史

知识与例子

1目标检测定义：在图片中对可变数量目标进行查找（一般与分类一同进行）
存在的三个问题：
1.1目标种类与数量问题： 目标的数量不确定
1.2目标尺度问题：不同时刻将会有多个目标，目标大小不一样，需要进行检测
1.3 外在环境干扰：主要是复杂环境的影响

2 目标检测与图像分类区别
2.1分割：分割出若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程（关注像素层面）
语义分割：找到同一类目标所占的空间区域（除去背景区域的其他区域位置，精确到像素级别）
实例分割： 找到区域且同一类的目标也要划分出不同的实例（更加的精确）
2.2检测：进行目标分割和位置标注（每个位置是什么东西的置信度、关注语义层面）
2.3分类：给图片打标签，可以这么理解，给图片匹配相应的标签类别

例子：

3 目标检测发展历程
3.1 传统到深度
3.2 深度的两条发展路线

4 算法基本流程

路径一主要是传统算法框架，
路径一、路径二都可以为深度算法框架，
传统与深度的关键区别：特征提取是卷积神经网还是手动设计特征。

5 传统的主要目标检测算法与问题（后面自己挨个学习一下）
5.1 Viola-Jones
5.2 HOG+SVM
5.3 DPM(传统方法的巅峰)

存在问题：
1、特征不好设计，设计的特征不鲁棒
2、通过滑动窗口提取目标框（滑动窗口用途）和判定策略，流程繁琐且耗时

6 深度学习方法的两条路线和代表性算法
6.1 one-stage : YOLO SSD （直接回归的方式）
6.2 two-stage : Faster RCNN （通过利用RPN网络进行候选区域的推荐）

7 传统方法检测与深度学习方法检测区别

验证测试

总结反思

说明：这是学习笔记，侵删！！！来源：B站学习目标检测算法原理与实践