目标检测算法发展流程

流程：

17年底,mask-R CNN

DPM、R-CNN、YOLO、SSD

　1、基于传统图像处理和机器学习算法的目标检测与识别方法

　　传统的目标检测与识别方法主要可以表示为：目标特征提取->目标识别->目标定位。

　　这里所用到的特征都是认为设计的，例如SIFT (尺度不变特征变换匹配算法Scale Invariant Feature Transform), HOG(方向梯度直方图特征Histogram of Oriented Gradient), SURF( 加速稳健特征Speeded Up Robust Features),等。通过这些特征对目标进行识别，然后再结合相应的策略对目标进行定位。

　2、基于深度学习的目标检测与识别方法

　　如今，基于深度学习的目标检测与识别成为主流方法，主要可以表示为：图像的深度特征提取->基于深度神经网络的目标识别与定位，其中主要用到深度神经网络模型是卷积神经网络CNN。

　　目前可以将现有的基于深度学习的目标检测与识别算法大致分为以下三大类：

• 基于区域建议的目标检测与识别算法，如R-CNN, Fast-R-CNN, Faster-R-CNN;
• 基于回归的目标检测与识别算法，如YOLO, SSD;
• 基于搜索的目标检测与识别算法，如基于视觉注意的AttentionNet，基于强化学习的算法。

【转载自】

目标检测与识别的发展与现状 - HOU_JUN - 博客园 https://www.cnblogs.com/houjun/p/8424893.html

目标检测算法发展流程

原文：https://www.cnblogs.com/wxl845235800/p/10408173.html