免責事項：この記事はブロガーオリジナル記事です、続くBY-SAのCC 4.0を著作権契約、複製、元のソースのリンクと、この文を添付してください。
ターゲット検出方法
ターゲット検出方法ではまず、変化
伝統的なマニュアル機能に基づいて第二に、問題の検出アルゴリズム
設計が難しい一方で、他方ではそのような特定の状態に適しすなわち堅牢ではない、低効率として設計されています様々な問題が、しばしば存在する、請求項従来の方法によって設定1.
この戦略の分類を決定するために、スライディングウィンドウの方法、及びゴールボックスによって対象フレームを抽出する2.、スライディングウィンドウの抽出の処理が非常に面倒であり、時間がかかります
深さの学習フェーズ、高速RCNNまでニューラルネットワークは、従来の手動設計機能と完全な目標検出を置き換えることができますが、これは特徴抽出のための唯一の畳み込みニューラルネットワークである、基本的に政策対象領域を抽出するために検索ボックスを変更していない、これらのメソッド技術進歩のボトルネックを打破するために、RPNのネットワークポリシーによって、元のスライディングウィンドウを交換することを提案し、表示されます
第三に、基本的な流れアルゴリズム
方法A：
画像与えられた候補フレームを抽出し、候補フレームの特徴量抽出及び特徴決意分類子、最後に最終目標出力を与えるように組み合わされた候補ブロックNMS
工程II：
同じNMSを使用して、対象領域を抽出する回帰+ターゲットブロックを用いて、入力として与えられた画像、特徴抽出は、最終的に合成候補ブロックは、最終的な目標出力を与えます
深さと目標検出の学習に基づいてターゲット検出方法に適した従来のプロセス
深さ研究に基づいて、2つのターゲット検出方法を用いた処理
第四に、従来の目標検出アルゴリズム
- ビオラ - ジョーンズ（VJ）：主に図3に関連して使用される積分クラシファイアは、ヒトの検出などのタスクを行うアダブースト
- HOG + SVM：主HOGを抽出することにより、歩行者検出のために使用されるかを決定歩行者候補標的結合領域およびSVM分類器を備えてい
- DPM：同じ特性の変形に基づくHOGは、差が精度の頂点を高めるためにいくつかの追加の戦略を含めることで、従来の目標検出アルゴリズム
- ...
第五に、深い学習目標検出アルゴリズム
- 一段階は、（YOLO及びシリーズSSD）：ターゲット検出は、ターゲットの位置及び場所直接により行われます
- 二段（高速化RCNNシリーズ）：ネットワークRPNを使用して候補領域を推奨します
深学習オブジェクト検出アルゴリズムVS第六に、伝統的な目標検出アルゴリズム
