原文链接：https://www.52ml.net/20287.html

这篇博文主要讲了深度学习在目标检测中的发展。

博文首先介绍了传统的目标检测算法过程：

传统的目标检测一般使用滑动窗口的框架，主要包括三个步骤：

  1. 利用不同尺寸的滑动窗口框住图中的某一部分作为候选区域；
  2. 提取候选区域相关的视觉特征。比如人脸检测常用的Harr特征；行人检测和普通目标检测常用的HOG特征等；
  3. 利用分类器进行识别，比如常用的SVM模型。

基于深度学习的目标检测分为两派：

  1. 基于区域提名的，如R-CNN、SPP-net、Fast R-CNN、Faster R-CNN、R-FCN；
  2. 端到端（End-to-End），无需区域提名的，如YOLO、SSD。

      目前来说，基于区域提名的方法依然占据上风，但端到端的方法速度上优势明显，后续的发展拭目以待。

接下来是对相关研究的详细介绍。

1、首先介绍的是区域提名--选择性搜索，以及用深度学习做目标检测的早期工作--Overfeat。

     选择性搜索：不断迭代合并候选区域，已被弃用。

     OverFeat:  用CNN做分类、定位和检测的经典之作（马克一记）。

2、基于区域提名的方法：主要介绍R-CNN系列

     R-CNN:之前的工作都是用滑动窗口的方式，速度很慢，R-CNN采用的是selective search。

     它和OverFeat类似，但缺点是速度慢。

     SPP-net：针对剪裁技术可能出现的问题，SPP不管是对整副图像还是裁剪后的图像，都提取

相同维度的特征，这样可以统一送至全连接层。

    FAST R-CNN:主要解决2000个候选框带来的重复计算问题。

    FASTER R-CNN：抛弃了selective search，引入了RPN网格。

    R-FCN：将最后的全连接层换为了卷积层。

3、端到端（end-to-end）:无需区域提名

    YOLO：将448*448的图像分成S*S的网络，简化目标检测流程；

    SSD:   YOLO的改进，分为两部分：图像分类的网络和多尺度特征映射网络。

 

目标检测还存在一些问题，比如小目标检测问题。