Object Detection in 20 Years: A Survey
目标检测二十年综述 目标检测是计算机视觉领域中的一项重要任务,旨在检测和定位图像或视频中的对象。随着深度学习的兴起,目标检测技术也经历了二十年的发展。本节将对目标检测二十年的发展历程进行综述。 1. 传统检测器 早期的目标检测算法主要基于手工设计的特征提取和分类器设计。Viola-Jones检测器是其中之一,它使用Haar小波作为图像特征,并引入了检测级联的概念,以减少计算开销。HOG检测器则是另一个重要的传统检测器,它使用 Histogram of Oriented Gradients 作为图像特征,并在密集的均匀间隔单元网格上计算,以提高检测精度。 2. 基于CNN的两阶段检测器 随着深度学习的兴起,基于卷积神经网络(CNN)的目标检测器逐渐成为主流。RCNN是其中之一,它将检测框定为一个“从粗到细”的过程,首先选择性搜索提取对象建议,然后使用CNN模型提取特征,并使用线性SVM分类器对每个区域内的目标进行预测。SPPNet是另一个重要的基于CNN的检测器,它使用空间金字塔池化技术,以生成任意区域的定长表示,避免了卷积特征的重复计算。Fast RCNN则融合了R-CNN和SPPNet的优点,但其检测速度仍然受到提案/建议检测的限制。 3. Faster RCNN和后续发展 Faster RCNN是第一个端到端的,也是第一个接近实时的深度学习检测器。它的主要贡献是引入了区域建议网络(Region Proposal Network,RPN),以生成对象建议。Faster RCNN的出现标志着目标检测技术的重大突破,随后出现了一系列基于Faster RCNN的变体和改进算法,如Mask RCNN、RetinaNet等。 目标检测技术在二十年间经历了从传统检测器到基于CNN的两阶段检测器再到Faster RCNN等端到端检测器的发展变化。未来,目标检测技术还将继续发展,以满足实际应用中的需求。
剩余51页未读,继续阅读
- 粉丝: 2
- 资源: 13
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助