1.1 什么是目标检测？
目标检测，粗略来说就是：输入图片/视频，经过处理，得到：目标的位置信息（比如左上角和右下角的坐标）、目标的预测类别、目标的预测置信度（confidence）。
1.2 发展阶段
-
手工特征提取算法，如VJ、HOG、DPM
-
R-CNN算法（2014），最早的基于深度学习的目标检测器之一，其结构是两级网络：
- 1）首先需要诸如选择性搜索之类的算法来提出可能包含对象的候选边界框；
- 2）然后将这些区域传递到CNN算法进行分类；
-
R-CNN算法存在的问题是其仿真很慢，并且不是完整的端到端的目标检测器。
-
Fast R-CNN算法（2014末），对原始R-CNN进行了相当大的改进：提高准确度，并减少执行正向传递所花费的时间。
是，该模型仍然依赖于外部区域搜索算法。 -
faster R-CNN算法（2015），真正的端到端深度学习目标检测器。删除了选择性搜索的要求，而是依赖于
- （1）完全卷积的区域提议网络（RPN, Region Purpose Network），可以预测对象边界框和“对象”分数（量化它是一个区域的可能性的分数）。
- （2）然后将RPN的输出传递到R-CNN组件以进行最终分类和标记。
-
R-CNN系列算法，都采取了two-stage策略。特点是：虽然检测结果一般都非常准确，但仿真速度非常慢，即使是在GPU上也仅获得5 FPS。
-
one-stage方法有：yolo（2015）、SSD（2015末），以及在这两个算法基础上改进的各论文提出的算法。这些算法的基本思路是：均匀地在图片的不同位置进行密集抽样，抽样时可以采用不同尺度和长宽比，然后利用CNN提取特征后直接进行分类与回归。
整个过程只需要一步，所以其优势是速度快，但是训练比较困难。 -
yolov3（2018）是yolo作者提出的第三个版本（之前还提过yolov2和它们的tinny版本，tinny版本经过压缩更快但是也降低了准确率）。