-- 目标检测任务综述
- 基于传统图像处理和机器学习算法的目标检测
- 基于深度学习的目标检测
- 目标检测数据集和性能指标
-- two-stage目标检测算法
- R-CNN
- Fast-R-CNN
- Faster-R-CNN
- R-FCN
-- one-stage目标检测算法
- YOLO
- YOLO v2
- YOLO v3
- SSD
-- 基于搜索的目标检测算法
- AttentionNet
- 基于强化学习目标检测算法
-- 目标检测tensorflow API的使用
目标检测任务综述
目标检测任务就是在一张图片（或视频的一帧）中找到物体的位置并识别出物体的分类。目标检测作为计算机视觉领域中的重要任务，在实际生活中拥有广泛的应用。如：自动驾驶、视频监控、医学图像分析等等。
目标检测任务的方法主要有：
1）基于传统图像处理和机器学习算法的目标检测
2）基于深度学习的目标检测
本系列文章主要对基于深度学习的目标检测做详细介绍。基于传统图像处理和机器学习算法的目标检测只做简略介绍。
基于传统图像处理和机器学习算法的目标检测
传统的目标检测方法主要分为以下三步：
1）区域选择（滑窗）
2）特征提取（SIFT、HOG）
3）分类（SVM、Adaboost）
基本上是通过滑窗法等方法选出候选区域，然后提取特征，然后用分类器进行分类。
基于深度学习的目标检测
深度学习出现后，基于深度学习的目标检测逐渐流行起来。其主要有两个方向：
1）一个是基于Region Proposal的深度学习目标检测算法，主要有RCNN，SPP-Net，Fast-RCNN，Faster-RCNN，以及在它们上面的各种优化算法。他们的共同特定是都是基于两步走的算法，就是先找到图片中可能的物体的边界框，在用分类器确定框里的物体是什么，并且用边界框回归精修边界框的位置。
2）一个是基于End-to-End的深度学习目标检测算法，主要有overfeat，YOLOv1，YOLOv2，YOLOv3，SSD等。他们都是基于回归方法的目标检测算法。
现在，基于新的搜索的目标检测算法也出现了，如AttentionNet和基于强化学习目标检测算法。
目标检测数据集和性能指标
单目标检测数据集：Pascal VOC
多目标检测数据集：COCO
