目标检测系列论文阅读

该图链接：https://github.com/hoya012/deep_learning_object_detection#2014
里面包含了论文链接及代码。

打算从一篇总结（Deep Learning for Generic Object Detection: A Survey）开始，然后顺着上图依次理顺一下。

Deep Learning for Generic Object Detection: A Survey

主要挑战

• 理想检测器

  • 高准确率（定位准确率，识别准确率）

    • 组内差异的高鲁棒性

      • 每组类别有许多不同情况（不同的颜色、纹理、材质、形状等）
      • 目标实例差异（姿势、形变）
      • 成像条件和无约束环境（照明、视图点、比例、遮挡、阴影、杂波、模糊、运动、天气状况）
      • 图像噪声（成像噪声、滤波失真、压缩噪声）

    • 高分辨性

      • 组内歧义
      • 成千上万的真实目标分类（有结构的和无结构的）

  • 高效率（时间效率，内存效率，存储效率）

    • 现实世界中成千上万的目标种类
    • 要求定位和识别目标
    • 大量可能的目标位置
    • 大规模图像/视频数据

若要参考该论文翻译，推荐博客

阅读索引

R-CNN: Regions with CNN features
OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks
Fast R-CNN
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks
OHEM：Training Region-based Object Detectors with Online Hard Example Mining
YOLO v1–You Only Look Once: Unified, Real-Time Object Detection
SSD: Single Shot MultiBox Detector
R-FCN: Object Detection via Region-based Fully Convolutional Networks
YOLO v2–YOLO9000: Better, Faster, Stronger
FPN：Feature Pyramid Networks for Object Detection
RetinaNet–Focal Loss for Dense Object Detection