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：
對於上述兩種方式，基於候選區域（region proposal）的方法在檢測準確率和定位精度上佔優，基於端到端（end-to-end）的演算法速度佔優。相對於r-cnn系列的「看兩眼」（候選框提取和分類），yolo只需要「看一眼」。總之，目前來說，基於候選區域（region proposal）的方法依然佔據上風，但端到端的方法速度上優勢明顯，至於後續的發展讓我們拭目以待。
參考：
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...
目標檢測演算法綜述筆記
主要參考兩篇綜述 object detection in 20 years a survey recent advances in deep learning for object detection csdn上有翻譯版，對照這翻譯版，能夠更快的理解，注意如果是菜鳥，最好review三遍，三遍是我從...
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...