bing 演算法最終是幫忙找到影象當中的候選的物體區域， box表示為：get potential bounding boxes, each of which isrepresented by a vec4i for (minx, miny, maxx, maxy).
將影象歸一化到乙個相同的尺度（例如：8*8）上，一般物件的封閉輪廓和梯度範數之間具有強聯絡。能夠在識別乙個物件之前察覺它，非常接近
自底向上
的視覺顯著性。
大致的操作：
1. 對整張影象求梯度，然後由線性svm訓練得到乙個bing特徵；
2. 計算每乙個候選區域的得分：sl
sl=l> (1)
l=(i,x,y) (2)
其中，sl
代表過濾器得分，
gl代表ng特徵，
l表示座標，i表示尺度，(x,y)表示視窗位置。所以（1）表示:在訓練好的模型w上面，特徵gl
的乙個得分值。運用非極大值抑制(nms)，我們為每個尺度提供一些建議視窗。相對於其他視窗（例如：100*100），一些尺度（例如:10*500）的視窗包含物件的可能性是很小的。因此我們定義物件狀態得分（校準過濾器得分）：
ol= vi*sl+ti
(3)其中vi，ti∈ r，是針對不同尺度i的視窗，學習到的乙個引數。我們由這些得分值就得到各個視窗。
具體的操作：
1. 輸入一張圖象，其中紅框是物體，綠框不是物體
首先將輸入影象重置為不同尺度的，在不同的尺度下計算梯度。然後再隔點取8*8大小的框，作為乙個對應影象的64維的ng特徵（該特徵優勢：1.
歸一化了支援域，所以無論物件視窗如何改變位置，尺度以及縱橫比，它對應的ng特徵基本不會改變。也就是說，ng特徵是對於位置，尺度，縱橫比是不敏感的；
2.ng
特徵的緊湊性，使得計算和核實更加有效率，而且能夠很好的應用在實時應用程式中）
3. 使用線性svm分類器，在ng特徵上訓練乙個64維的分類器
而在訓練的過程當中，最最核心的就是 這個64位的特徵就直接用乙個64位的數表示，那對特徵的操作表示為對位的操作。大大的降低了時間複雜度。
目標檢測演算法整理（簡潔版）
無區域提名演算法 如果想要詳細的了解深度學習在目標檢測上的應用，可以戳 滑動視窗進行區域提名 多尺度滑動視窗增加檢測數量 回歸模型 每個物件的位置 邊框合併 創新點 overfeat是cnn用來進行目標檢測的早期工作，主要思想是多尺度滑窗進行分類 定位和檢測。區域提名 選擇性搜尋 區域大小歸一化 r...
目標檢測演算法
基於深度學習的回歸方法 yolo ssd densebox 傳統目標檢測流程 rcnn解決的就是預先找出圖中目標可能出現的位置，即候選區域，再對這些區域進行識別分類。r cnn 具體步驟如下 步驟二 對該模型做fine tuning 微調 步驟三 特徵提取 步驟四 訓練乙個svm分類器來判斷這個候選...
目標檢測演算法對比 目標檢測演算法工程落地
覆盤一下在實現檢測演算法落地過程中所經歷的乙個流程 列出幾點重點說明一下 1 網路的選取和調參是關鍵 網路選取 考慮到實際情況的實時性 硬體效能，需考慮參數量較小的檢測網路，更傾向於單階段式的網路 基於yolossd等的多個變體網路 其次基礎特徵提取網路backbone的替換，傳統都是vgg的特徵提...