1. ターゲット学習の検出方法の変更と比較
「物体検出」は、コンピューター ビジョンと機械学習の分野で現在注目されている研究分野です。Viola-Jones Detector や DPM などの冷兵器時代の知恵から、今日の RCNN や YOLO などの深層学習の土壌によって育まれた GPU の暴力的な美学に至るまで、ターゲット検出全体の開発の歴史は、コンピュータービジョンの分野。ターゲット検出の開発プロセス全体は、以下の図に要約されています。 
2012 年以前、ターゲット検出の分野は依然として従来の手動による特徴検出アルゴリズムによって支配されていたことがわかりますが、2012 年の畳み込みニューラル ネットワーク (CNN) の台頭により、ターゲット検出では深層学習の美学に基づく暴力が使用され始めました。深層学習では、ターゲット検出の効果は従来の手動機能よりもはるかに優れています。現在に至るまで、深層学習に基づく検出アルゴリズムがターゲット検出の主流となっています。
2. ディープラーニング対象検出アルゴリズムの基本プロセス
プロセス 1:
検出対象の画像が与えられた場合、この画像を検出アルゴリズムの入力として使用し、スライディング ウィンドウ法を使用して画像から候補フレームを抽出し、各候補フレーム内の画像から特徴を抽出します (特徴抽出は主に前の知識で紹介した抽出方法)、分類器を使用して特徴分類を決定し、現在の検出ターゲットの一連の候補フレームを取得します。これらの候補フレームは重複する可能性があります。この場合、非最大値抑制アルゴリズムはNMS を使用します。候補フレームをマージまたはフィルタリングした後、最終候補フレームが最終的な検出対象、つまり出力結果となります。
プロセス 2:
画像を入力として、特徴抽出 + ターゲット フレーム回帰手法を使用してターゲット領域を抽出し、最後に NMS を使用して候補フレームをマージし、最終的にターゲットの出力結果を取得します。
知らせ：
- プロセス 1: 従来のターゲット検出手法と深層学習に基づくターゲット検出手法に適用
- プロセス2: ディープラーニングに基づくターゲット検出手法に適しています
3. 従来のターゲット検出アルゴリズム VS ディープラーニングのターゲット検出アルゴリズム
| 従来のターゲット検出アルゴリズム | ディープラーニング対象検出アルゴリズム |
| 機能を手動で設計する | ディープネットワーク学習機能 |
| スライドウィンドウ | 提案または直接の返信 |
| 従来の分類子 | ディープネットワーク |
| 複数のステップ | 端から端まで |
| 精度とリアルタイム性が低い | 高精度と優れたリアルタイム性能 |
