什么是目标检测？

       图像分类、目标检测、分割是计算机视觉领域的三大任务。

      目标检测的基本思路：同时解决定位（localization） + 识别（Recognition）。 多任务学习，带有两个输出分支。一个分支用于做图像分类，即全连接+softmax判断目标类别，和单纯图像分类区别在于这里还另外需要一个“背景”类。另一个分支用于判断目标位置，即完成回归任务输出四个数字标记包围盒位置(例如中心点横纵坐标和包围盒长宽)，该分支输出结果只有在分类分支判断不为“背景”时才使用。

      常见经典的基于深度学习的目标检测算法如图所示：

      目前目标检测领域的深度学习方法主要分为两类：两阶段（Two Stages）的目标检测算法、一阶段（One Stage）目标检测算法。两阶段（Two Stages）：首先由算法（algorithm）生成一系列作为样本的候选框，再通过卷积神经网络进行样本（Sample）分类。常见的算法有R-CNN、Fast R-CNN、Faster R-CNN等等。一阶段（One Stage ）：不需要产生候选框，直接将目标框定位的问题转化为回归（Regression）问题处理(Process)。常见的算法有YOLO、SSD等等。

      事实证明，Fast R-CNN算法的其中一个问题是得到候选区域的聚类步骤仍然非常缓慢，所以另一个研究组，任少卿(Shaoqing Ren)、何凯明(Kaiming He)、Ross Girshick和孙剑Jiangxi Sun)提出了更快的R-CNN算法(Faster R-CNN)，使用的是卷积神经网络，而不是更传统的分割算法来获得候选区域色块，结果比Fast R-CNN算法快得多。

什么是目标检测？

原文：https://www.cnblogs.com/zhuwenjuan-blogs/p/13268146.html