2023年的cvpr會議目標檢測（在這裡討論的是2d的目標檢測，如圖1所示）的方法主要是基於卷積神經網路的框架，代表性的工作有resnet[1]（kaiming he等）、yolo[5]（joseph redmon等）、ssd、locnet[7]（spyros gidaris等）、hypernet[3]（tao kong等）、ion[2]（sean bell等）、g-cnn[6]（mahyar najibi等）。
從cvpr2016看目標檢測的發展趨勢
（a）檢測精度
如何提高檢測精度的指標map？
代表性的工作是resnet、ion和hypernet
（c）定位精度
如何產生更準確的bounding box? 如何逐步提高評價引數iou？（pascal voc中，這個值為0.5）
locnet：拋棄boundingbox回歸，利用概率模型（本文）
從單純的一律追求檢測精度，到想方法加快檢測結果，到最後追求更加準確的結果。側面反映了目標檢測研究的不斷進步。
目標檢測 YOLO v1（CVPR 2016）
yolo由24層convnet和2層fcs組成。其核心思想是將均勻劃分為多個grid cell，每個grid cell產生兩個bbox和grid cell中如果存在物件，物件是各類的概率，每個bbox由5個引數組成，xywh和confidence，confidence是bbox中存在物件的概率，將兩...
2017cvpr 目標檢測
1 speed accuracy trade offs for modern convolutional object detectors 其主要考慮三種檢測器 faster rcnn,r fcn,ssd 作為元結構，三種cnn網路 vgg，inception，resnet 作為特徵提取器，變化其他...
CVPR2017 最新目標檢測相關
1 speed accuracy trade offs for modern convolutional object detectors 其主要考慮三種檢測器 faster rcnn,r fcn,ssd 作為元結構，三種cnn網路 vgg，inception，resnet 作為特徵提取器，變化其他...