目标检测知识集锦（一）

1. 写在前面

目标识别算法是所有目标检测算法的核心。 目标识别算法是指在一张给定的图像中识别出给定的物体。将整张图像作为输入，然后输出类别的标签并给出图像中出现物体的概率。

目标检测任务不仅仅要返回图像中主要包含那些物体，而且还要返回该图像中包含了多少物体，以及目标的位置（一般用 BoundingBox进行标注）。

2. 关于DPM算法（Deformable Parts Model）

1、产生多个模板，整体模板以及不同的局部模板；

2、拿这些不同的模板同输入图像“卷积”产生特征图；

3、将这些特征图组合形成融合特征；

4、对融合特征进行传统分类，回归得到目标位置。

DPM算法优点：

1、方法直观简单；

2、运算速度块；

2、适应动物变形；

DPM算法缺点：

1、性能一般

2、激励特征人为设计，工作量大；

这种方法不具有普适性，因为用来检测人的激励模板不能拿去检测小猫或者小狗，所以在每做一种物件的探测的时候，都需要人工来设计激励模板，为了获得比较好的探测效果，需要花大量时间去做一些设计，工作量很大。

3、无法适应大幅度的旋转，稳定性很差；

总的来说，DPM算法停留于手工设计特征，个人认为属于一种传统的计算机视觉目标识别算法。

参考：

https://blog.csdn.net/ttransposition/article/details/12966521

https://blog.csdn.net/qq_22625309/article/details/72493223

3.region proposals / regions of interest(ROI)

给定一张输入image找出objects可能存在的所有位置。这一阶段的输出应该是一系列object可能位置的bounding box。这些通常称之为region proposals或者 regions of interest（ROI）。

详情参考：https://blog.csdn.net/auto1993/article/details/78514071

https://blog.csdn.net/shenziheng1/article/details/83506521

4. End to end

即端到端，也就是说，输入是raw data，输出就是想要的结果；

比如，在目标检测任务中，输入是图像，输出是坐标或者绘制好检测出的bounding box 的图像；

详情参考：https://www.zhihu.com/question/51435499

YOLO系列目标检测网络即为一种端到端网络。