前言：影象的目標檢測經歷了幾個不同的階段，使用的方法不斷改善並且效果不斷優化
階段一傳統的目標檢測方法
傳統的目標檢測方法大多以影象識別為基礎。一般通過四個步驟來完成；步驟
一、在上使用窮舉發選出所有物體可能出現的區域框。步驟
二、對這些區域框提取特徵。步驟
三、使用影象識別方法對特徵進行分類。步驟
四、通過非極大值抑制輸出結果
改善傳統目標檢測的方法，階段二r-cnn
步驟一、不使用窮舉法，改用selective search搜尋可能存在物體的區域。步驟
二、將大小不同的區域框縮放為統一大小，改用cnn-alenet網路對區域框提取特徵。步驟
三、使用svm對特徵進行分類。步驟
四、通過非極大值抑制輸出結果。
改善r-cnn的方法，階段三sppnet
步驟一、使用selective search搜尋可能存在物體的區域。步驟二，先對整體影象進行一遍卷積計算，得到整個影象的卷積特徵；接著對於原始影象中的各種候選框在卷積特徵中找到對應的位置框，再使用roi池化層對位置框中的卷積提取特徵。步驟
三、使用svm對特徵進行分類。步驟
四、通過非極大值抑制輸出結果。
改善sppnet的方法，階段四fast r-cnn
步驟一、使用selective search搜尋可能存在物體的區域。步驟二，先對整體影象進行一遍卷積計算，得到整個影象的卷積特徵；接著對於原始影象中的各種候選框在卷積特徵中找到對應的位置框，再使用roi池化層對位置框中的卷積提取特徵。步驟三、使用fc-softmax神經網路分類器進行分類。步驟
四、通過非極大值抑制輸出結果。
改善fast r-cnn的方法，階段五faster r-cnn
步驟一、使用rpn網路替代selective search搜尋可能存在物體的區域。步驟二，先對整體影象進行一遍卷積計算，得到整個影象的卷積特徵；接著對於原始影象中的各種候選框在卷積特徵中找到對應的位置框，再使用roi池化層對位置框中的卷積提取特徵。步驟
三、使用fc-softmax神經網路分類器進行分類。步驟
四、通過非極大值抑制輸出結果。
深度學習目標檢測
流程狂徒如下 1 使用selective search提取proposes，然後利用cnn等識別技術進行分類。2 使用識別庫進行預訓練，而後用檢測庫調優引數。3 使用svm代替了cnn網路中最後的softmax，同時用cnn輸出的4096維向量進行bounding box回歸。4 流程前兩個步驟 候...
深度學習（六） 目標檢測
多個目標 思路 區域性識別問題 優點生成候選位置 擴充套件 過程 優點 缺點 候選位置提醋和方法 候選框進行svm分類 fine tune分類模型 特徵提取 單獨目標探測器訓練 資料集 評估方法 iou 優點 缺點 特徵一致化max pooling 位置 類別 聯合學習 速度快了精度提公升不多 怎麼...
深度學習 人臉檢測概述
在目標檢測領域可以劃分為人臉檢測與通用目標檢測，往往人臉檢測這方面會有專門的演算法 包括人臉檢測 人臉識別 人臉其他屬性的識別等等 並且和通用目標檢測 識別 會有一定的差別，這主要是因為人臉的特殊性 有時候目標比較小 人臉之間特徵不明顯 遮擋問題等 下面我們將從人臉檢測和通用檢測兩個方面來講解目標檢...