自從卷積神經網路在分類問題上取得很大進步以後，學者們紛紛想辦法將卷積神經網路遷移到目標檢測、目標分割等領域。目標檢測領域發展到現在，出現了很多里程碑式的網路結構和設計思想，可以說是百花齊放，大放異彩，但是總體上大概可以將目標檢測分為三個類別：
相信大家都知道，是大神何凱明最早將卷積神經網路引入到目標檢測中來，從而創造了two-stage的rcnn系列目標檢測網路，從rcnn到fast rcnn再到faster rcnn,mask rcnn，都是經典網路，蘊含的設計思想都值得大家學習。那麼為什麼叫two-stage呢？那是因為rcnn系列設計思想都是分為兩步：先想辦法得到目標的候選框，再對候選框進行精細的分類與框回歸。基於這樣的方式，可想而知有著很高的準確率，但是正是由於分為兩步的關係，導致其檢測速度一直提不上了，關於rcnn系列的網路解析有很多，想要了解的小夥伴可以自行搜尋。
上面說到了two-stage的rcnn系列網路檢測速度慢，所以主要為了解決檢測速度的one-stage的目標檢測網路就因運而生了，主要代表網路有yolo系列和ssd系列，one-stage的特點是通過在本身(yolo)或者特徵層(ssd)設計大量的錨點archor用於目標位置的定位從而省略了生成候選框這一步，顯而易見，one-stage的檢測速度得到很大的提公升，但是檢測精度確因此降低了
前面說到two-stage檢測精度高但是速度慢，one-stage檢測速度快但是檢測精度低，有小夥伴可能會覺得，自古精度、速度兩難全啊！錯了，人類的智慧型是無盡的，近兩年就有大量的研究者在想方設法的同時保全精度和速度的方法，anchor-free的目標檢測網路就登上了歷史的舞台了，它們中的佼佼者有cornernet、extremnet、centernet(同一時間段出現了兩個叫centernet表現都很亮眼)
最後總結一下：隨著時代的發展，越來越好的目標檢測網路/演算法會像雨後春筍一樣冒出來，這是發展的必然趨勢，我們一起拭目以待吧
物體檢測網路概述
yolo 實時快速目標檢測 yolo詳解 傳統目標檢測系統採用deformable parts models dpm 方法，通過滑動框方法提出目標區域，然後採用分類器來實現識別。近期的r cnn類方法採用region proposal methods，首先生成潛在的bounding boxes，然後...
目標檢測 目標檢測通用框架總結
目標檢測框架個人總結 以下是筆記中包含的內容 目標檢測網路框架總結 yolov4中有圖 從最開始的神經網路到現在深度更深，模組更多的目標檢測深度學習神經網路，如今大致可以分為two stage detector 典型的為rcnn系列 和 one stage detector 典型為yolo系列 每個...
目標檢測網路 YOLO V4（一）
最近，yolo v4的開源掀起了一波熱潮，根據給出的資料yolo v4實現了速度和精度的雙向突破，吊打了一系列的目標檢測網路。因此，考慮後續感測器融合的目標跟蹤研究的需要，研究yolo v4是不可或缺的部分，並且先學習github中的開源demo，再研究該網路的原理。1.基於linux下執行，首先執...