传统的机器学习目标检测和深度学习的目标检测

概述：

目标分类：给一张图片，分类

目标检测：给一张图片，找到目标，并用矩形框画出

分类是对一幅图整体，检测是更进一步，找出一幅图中一部分。一般检测以分类为基础，

如用滑动窗口搜索，然后用分类器分类是目标还是背景，或多分类（这是回归和分类的区别）。

开发流程：

项目预研  算法选型 数据集下载和打包 环境搭建 模型训练 模型测试 模型优化

传统的机器学习目标检测和深度学习的目标检测区别：传统的机器学习目标检测更注重特征的提取，特征一般可解释性较强，深度学习是多层卷积网络，自学习特征（卷积特征）不需要自己设计特征，特征只有计算机理解。

一。传统目标检测（不是最传统的，是机器学习的）：

流程：

候选框：一般用滑动窗口的方法提取

特征提取（模式识别）：

低层次的，手工设计的特征，纹理、颜色、形状等（sift surf haar LBP HOG）

中层次的，机器学习出的特征，如pca特征，lda

分类器：提前训练好的分类器（基于上述特征的），这里是二分类，即目标和背景，也有多分类问题

NMS算法:非极大值抑制，把多余的框去掉。改进soft-NMS

传统目标检测方法：

Viola-Jones(VJ)

    haar特征   Adaboost算法（分类器）

HOG + SVM（一般用于行人检测）

HOG特征  SVM（分类器）

DPM

计算DPM特征图，计算响应图，latent SVM分类器训练，检测识别

二 深度学习目标检测

深度学习目标检测总体上分为两种，two-stage和one-stage

Two-stage（faster RCNN）

使用CNN卷积特征，RPN算法推荐候选框

核心组件：CNN网络（主干网络），RPN网络（区域推荐，anchor机制）

策略上看，Two-stage和传统的机器学习目标检测一样，是需要候选框，然后再来判断的。只是现在使用多层的卷积神经网络来自学习特征，传统的是自己设计特征

One-stage （Yolo， SSD ，Retina-Net）

使用CNN卷积特征，不使用RPN，直接回归物体的类别概率和坐标值

核心组件：CNN网络（主干网络），回归网络

比较：

One-stage准确度低，但速度块，小物体检测效果不好，漏检高

Two-stage精度高，利用anchor机制，但速度慢，训练时间长，误报高