第1章 目標檢測概述

目標檢測是對圖像分類任務的進一步加深，他不僅要識別出圖片中各種類別的目標，還要把他們的位置找出來用矩形框框住。

在實際操作中，通常先找出目標的位置（通過坐標軸方框標注出來），然后在對標注的目標進行分類。

目標檢測是深度學習在計算機視覺領域一個非常重要的應用，從本節開始，我們將陸續開始目標檢測的學習。

根據算法的流程可以將目標檢測算法分為兩種流派：

（1）以Faster R-CNN為代表的Two-Stage算法：

它檢測目標主要分為兩個部分

通過專門模塊去生成候選框

尋找前景以及調整邊界框

（2）以SSD、YOLO為代表的One-Stage算法

它是直接基于anchor直接進行分類以及調整邊界框。

這兩種方式各有各的特別，Two-Stage很明顯檢測的精度要高一點，但是檢測速度慢；

One-Stage放棄了高精度，但是換來了速度，速度比Two-Stage算法快很多。

接下來簡單介紹幾種常用的目標檢測算法

第2章 常見的Two-Stage算法

2.1 R-CNN

在過去的十多年時間里，傳統的機器視覺領域，通常采用特征描述子來應對目標識別任務，這些特征描述子最常見的就是 SIFT 和 HOG.而 OpenCV 有現成的 API 可供大家實現相關的操作。

R-CNN（Region with CNN Feature）2014年提出，在此之前都是傳統的目標檢測算法，人為定義特征進行檢測，進入了瓶頸期，進步緩慢，但是R-CNN出來之后將目標檢測領域的準確率至少提高了30%。

2012 年 Krizhevsky 等人在 ImageNet 舉辦的 ILSVRC 目標識別挑戰大賽中一戰成名，豪奪當年的第一名，Top5 錯誤率 15%,而他們團隊提出來的網絡結構以第一作者 Alex Krizhevsky 名字命名，它就是 AlexNet

因為 AlexNet 的出現，世人的目標識別的目光重回神經網絡領域，以此為契機，不斷涌出各種各樣的網絡比如 VGG、GoogleNet、ResNet 等等。

受 AlexNet 啟發，R-CNN論文作者嘗試將 AlexNet 在 ImageNet 目標識別的能力泛化到 PASCAL VOC 目標檢測上面來。

R-CNN 借鑒了滑動窗口思想，采用對區域進行識別的方案

第3章 常見的One-Stage算法

3.1 SSD

SSD是一種經典的One-Stage算法，它解決當時Faster R-CNN對小目標檢測效果差和檢測速度慢的問題。

SSD可以預測不用尺度的目標，它的網絡有6個輸出特征層。

使用Faster R-CNN在單GPU上大概每秒6、7張圖片；

而使用SSD算法，同樣在單GPU上它每秒能檢測50 、60 張圖片；

但相比之前使用了FPN的Faster R-CNN而言呢，SSD算法的檢測精度要差很多。

3.2 YOLO

YOLO系列算法是目前使用最多的目標檢測算法，它最大的特點就是檢測速度快，而且現在檢測精度也就是mAP也變高了，所以稱為時下最熱門的目標檢測算法。

YOLO是在CVPR2016提出的一種目標檢測算法，它一共有5個版本，YOLO v1到v3是同一個作者Joseph設計的，包括論文到算法結構，YOLO v4到v5是其他作者設計的，目前檢測效果最好和使用最多的就是YOLO v5。

其核心思想是將目標檢測轉化為回歸問題求解，并基于一個單獨的end-to-end網絡：完成從原始圖像的輸入到物體位置和類別的輸出。

YOLO在進行預測時，會對圖像進行全面地推理。

它一種統一的目標檢測模型。我們的模型構建簡單，可以直接在整張圖像上進行訓練。

第4章 匯總比較

4.1 匯總比較

審核編輯 ：李倩