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框裡物體的類別。每個類別對於乙個svm，判斷是不是屬於這個類別。
步驟五：使用回歸器精細修正候選框位置：對於每個類，訓練乙個線性回歸模型取判定這個框是否框的完美。
為什麼微調時和訓練svm時所採用的正負樣本閾值【0.5和0.3】不一致？
為什麼不直接採用微調後的alexnet cnn網路最後一層softmax進行21分類而是用了svm？
r-cnn缺點：
將所有縮放成統一大小，會對造成失真。（spp-net解決）
spp net
fast r-cnn
效能比較：
faster r-cnn
具體做法：
各種演算法的步驟
r-cnn
fast r-cnn
faster r-cnn
專案r-cnn
fast r-cnn
faster r-cnn
提取候選框
selective search
selective search
rpn網路
提取特徵
卷積神經網路(cnn)
cnn + roi池化
cnn + roi池化
特徵分類
svmcnn + roi池化
cnn + roi池化
yolo
yolo目標檢測流程圖
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...
目標檢測演算法歷史
最近在做一些目標檢測相關的東西，目標檢測是計算機視覺裡面最重要的課題之一了，很多場合檢測和識別都是很重要的，比如現在很火的無人駕駛，就非常依賴目標檢測和識別，需要非常高的檢測精度和定位精度。目標檢測從很早就開始有了。傳統演算法的典型代表有 haar特徵 adaboost演算法 hog特徵 svm演算...
目標檢測演算法綜述
1.傳統的目標檢測框架，主要包括三個步驟 1 利用不同尺寸的滑動視窗框住圖中的某一部分作為候選區域 2 提取候選區域相關的視覺特徵。比如人臉檢測常用的harr特徵 行人檢測和普通目標檢測常用的hog特徵等 3 利用分類器進行識別，比如常用的svm模型 2.目標檢測領域的深度學習方法主要分為兩類 對於...