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：resize
特徵提取：cnn
分類和回歸：識別、微調邊框位置
創新點：將overfeat的多尺度滑窗換成選擇性搜尋.
fast r-cnn用到了spp-net的思想，來解決r-cnn的crop和wrap導致物體不全或拉伸的問題。
spp-net：在卷積層和全連線層之間加入spp layer，此時網路的輸入可以是任意尺度的，在spp layer中每乙個pooling的filter會根據輸入調整大小，而spp的輸出尺度始終是固定的。
解決問題：r-cnn在對區域提名進行特徵提取時會有重複計算部分，fast r-cnn修正了這個問題。
區域歸一化：簡化的spp層——roi池化層
分類和回歸
解決問題：fast r-cnn使用的是選擇性搜尋進行區域提名，速度仍不夠快。
特徵提取
區域提名：rpn
區域判定和回歸：對每個矩形框進行二分類（是否有object），並用k個回歸模型微調邊框位置和大小。
分類與回歸
創新點：去除了最後的全連線層，使用了resnet。
區域提名：rpn
分類和回歸
把輸入縮放到448x448
執行卷積網路
對模型置信度卡閾值，得到目標位置及類別。
特點：
從yolo中繼承了將detection轉化為regression的思路，同時一次即可完成網路訓練
基於faster rcnn中的anchor，提出了相似的prior box；
加入基於特徵金字塔（pyramidal feature hierarchy）的檢測方式，相當於半個fpn思路
**已被yolo9000超越**1
BING演算法 思路整理（目標檢測演算法）
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...
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...