近幾年目標檢測綜述（更新中）
cbnet-> coco : 53.3ap
detectors-> coco: 54.7ap
顯著性目標檢測：從影象中獲得最顯著的物體
可用於摳圖軟體、機械人避障、自動駕駛、醫學診斷等。
borderdet: border feature for dense object detection
****：
針對問題：傳統的預定框檢測物體的方法，它們往往可能缺乏有用的邊界資訊，從而不利於進行精準地定位。
yolof：速度更快，精度堪比yolov4/retinanet，開源
目標檢測筆記（一）綜述
顧名思義，即從一張中，檢測出有哪些想要知道的物體，同時給出目標所在的位置資訊。在深度學習影象處理研究方面，主要分為兩類 分類和檢測，當然也包括影象合成等其他方面。分類相對簡單，通常一張輸入對應於乙個類。分類的特點就是輸入場景單一，一張屬於乙個類別，在分類方面也有很多經典的網路，例如alexnet v...
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...
傳統目標檢測演算法綜述
一 viola jones 人臉檢測 1.haar特徵抽取 初始化樣本的權重w，樣本權重之和為1 訓練弱分類器 更新樣本權重 迴圈第二步 結合做個分類器結果，進行投票 2.訓練人臉分類器 3.滑動視窗 二 hog svm 行人檢測，opencv實現 1.提取hog特徵 hog特徵 2.訓練svm分類...