流程：
17年底,mask-r cnn
傳統的目標檢測與識別方法主要可以表示為：目標特徵提取->目標識別->目標定位。
這裡所用到的特徵都是認為設計的，例如sift (尺度不變特徵變換匹配演算法scale invariant feature transform), hog(方向梯度直方圖特徵histogram of oriented gradient), surf(加速穩健特徵speeded up robust features),等。通過這些特徵對目標進行識別，然後再結合相應的策略對目標進行定位。
如今，基於深度學習的目標檢測與識別成為主流方法，主要可以表示為：影象的深度特徵提取->基於深度神經網路的目標識別與定位，其中主要用到深度神經網路模型是卷積神經網路cnn。
目前可以將現有的基於深度學習的目標檢測與識別演算法大致分為以下三大類：
【**自】
目標檢測與識別的發展與現狀 - hou_jun -
目標檢測演算法
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...
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...