41 lines
1.8 KiB
Markdown
41 lines
1.8 KiB
Markdown
# 目标检测
|
||
|
||
## 基本概念
|
||
计算机视觉中关于图像识别有四大类任务：
|
||
1. 分类-Classification：解决“是什么？”的问题，即给定一张图片或一段视频判断里面包含什么类别的目标。
|
||
2. 定位-Location：解决“在哪里？”的问题，即定位出这个目标的的位置。
|
||
3. 检测-Detection：解决“是什么？在哪里？”的问题，即定位出这个目标的的位置并且知道目标物是什么。
|
||
4. 分割-Segmentation：分为实例的分割（Instance-level）和场景分割（Scene-level），解决“每一个像素属于哪个目标物或场景”的问题。
|
||
|
||
|
||
|
||
## 目标检测算法分类
|
||
|
||
|
||
|
||
### Two stage目标检测算法
|
||
先进行区域生成（region proposal，RP）（一个有可能包含待检物体的预选框），再通过卷积神经网络进行样本分类。
|
||
|
||
任务：特征提取—>生成RP—>分类/定位回归。
|
||
|
||
常见的two stage目标检测算法有：R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN和R-FCN等。
|
||
|
||
#### R-CNN
|
||
> **标题**：《Rich feature hierarchies for accurate object detection and semantic segmentation》<br>
|
||
> **时间**：2014 <br>
|
||
> **出版源**：CVPR 2014
|
||
|
||
主要链接：
|
||
1. **arXiv**:[http://arxiv.org/abs/1311.2524 ](http://arxiv.org/abs/1311.2524)
|
||
2. **github(caffe)**:[https://github.com/rbgirshick/rcnn ](https://github.com/rbgirshick/rcnn)
|
||
|
||
|
||
### 2.One stage目标检测算法
|
||
不用RP，直接在网络中提取特征来预测物体分类和位置。
|
||
|
||
任务：特征提取—>分类/定位回归。
|
||
|
||
常见的one stage目标检测算法有：OverFeat、YOLOv1、YOLOv2、YOLOv3、SSD和RetinaNet等。
|
||
|
||
|