以下转自：http://lanbing510.info/2017/08/28/YOLO-SSD.html
在深度学习出现之前，传统的目标检测方法大概分为区域选择（滑窗）、特征提取（SIFT、HOG等）、分类器（SVM、Adaboost等）三个部分，其主要问题有两方面：一方面滑窗选择策略没有针对性、时间复杂度高，窗口冗余；另一方面手工设计的特征鲁棒性较差。自深度学习出现之后，目标检测取得了巨大的突破，最瞩目的两个方向有：1 以RCNN为代表的基于Region Proposal的深度学习目标检测算法（RCNN，SPP-NET，Fast-RCNN，Faster-RCNN等）；2 以YOLO为代表的基于回归方法的深度学习目标检测算法（YOLO，SSD等）。前篇文章介绍了基于Region Proposal的深度学习目标检测算法，本篇将对基于回归方法的深度学习目标检测方法（YOLO，SSD）进行介绍，前者在速度上并不能满足实时要求，后者利用回归的思想（既给定输入图像，直接在图像的多个位置上回归出这个位置的目标边框以及目标类别），很大的加快了检测的速度。
小样本学习与目标识别：小样本学习met+目标识别
原文：https://www.cnblogs.com/2008nmj/p/12006829.html