一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-
CNN、YOLO、SSD
一、目标检测常见算法
object detection，就是在给定的图片中精确找到物体所在位置，并标注出物体
的类别。所以，object detection 要解决的问题就是物体在哪里以及是什么的整
个流程问题。
然而，这个问题可不是那么容易解决的，物体的尺寸变化范围很大，摆放物体
的角度，姿态不定，而且可以出现在图片的任何地方，更何况物体还可以是多
个类别。
目前学术和工业界出现的目标检测算法分成 3 类：
1. 传统的目标检测算法：Cascade + HOG/DPM + Haar/SVM 以及上述方法的
诸多改进、优化；
2. 候选区域/ 框 + 深度学习分类：通过提取候选区域，并对相应区域进行以深度
学习方法为主的分类的方案，如：
R-CNN（Selective Search + CNN + SVM）
SPP-net（ROI Pooling）
Fast R-CNN（Selective Search + CNN + ROI）
Faster R-CNN（RPN + CNN + ROI）
R-FCN
等系列方法；
3. 基于深度学习的回归方法：YOLO/SSD/DenseBox 等方法；以及最近出现的
结合 RNN 算法的 RRC detection；结合 DPM 的 Deformable CNN 等
传统目标检测流程：
1）区域选择（穷举策略：采用滑动窗口，且设置不同的大小，不同的长宽比对
图像进行遍历，时间复杂度高）
2）特征提取（SIFT、HOG 等；形态多样性、光照变化多样性、背景多样性使
得特征鲁棒性差）
3）分类器分类（主要有 SVM、Adaboost 等）
剩余11页未读，继续阅读
评论3