03目标检测-传统方法与深度学习算法对比

浅浅的花香味﹌ 2024-03-08 08:42 107阅读 0赞

**目录**

一、目标学习的检测方法变迁及对比

二、深度学习目标检测算法基本流程

三、传统目标检测算法VS深度学习目标检测算法

--------------------

## 一、目标学习的检测方法变迁及对比 ##

“目标检测“是当前计算机视觉和机器学习领域的研究热点。从Viola-Jones Detector、DPM等冷兵器时代的智慧到当今RCNN、YOLO等深度学习土壤孕育下的GPU暴力美学，整个目标检测的发展可谓是计算机视觉领域的一部浓缩史。整个目标检测的发展历程已经总结在了下图中：  
![2374d8b9709f40a2a1f283923905f9f5.png][]

可以看出，在2012年之前，在目标检测领域还是以传统手工特征的检测算法为主，但是随着卷积神经网络(CNN)在2012年的兴起，目标检测开始了在深度学习下的暴力美学。在深度学习下，目标检测的效果比传统手工特征效果好太多。直至今日，基于深度学习的检测算法依然是目标检测的主流。

## 二、深度学习目标检测算法基本流程 ##

![ddfb40cf09694b768100c65d92916621.png][]

**流程一：**

给定一张待检测图片，将这张图片作为检测算法的输入，然后对图片采用滑动窗口方式进行进行候选框的提取，然后对每个候选框中的图像进行特征提取（特征的提取主要基于前面的前置知识中介绍方式提取），并用分类器进行特征分类的判定，得到一系列的当前检测目标的候选框，这些候选框可能存在重叠的状况，此时使用非极大值抑制算法NMS对候选框进行合并或过滤，得到的最后的候选框就是最终的检测目标即输出结果。

**流程二：**  
给定一张图片作为输入，采用特征提取+目标框回归的方法来进行目标区域的提取，最后同样利用NMS进行候选框的合并，最终得到目标输出结果。

**注意：**

*  流程一：适用于传统的目标检测方法和基于深度学习的目标检测方法
 *  流程二：适用于基于深度学习的目标检测方法

## 三、传统目标检测算法VS深度学习目标检测算法 ##

<table style="width:500px;"> 
 <tbody> 
  <tr> 
   <td><strong>传统目标检测算法</strong></td> 
   <td><strong>深度学习目标检测算法</strong></td> 
  </tr> 
  <tr> 
   <td>手动设计特征&nbsp;</td> 
   <td>深度网络学习特征 &nbsp;</td> 
  </tr> 
  <tr> 
   <td>滑动窗口</td> 
   <td>Proposal或者直接回归</td> 
  </tr> 
  <tr> 
   <td>传统分类器 &nbsp;</td> 
   <td>深度网络 &nbsp;</td> 
  </tr> 
  <tr> 
   <td>多步骤</td> 
   <td>端到端</td> 
  </tr> 
  <tr> 
   <td>准确度和实时性差</td> 
   <td>准确度高和实时性好</td> 
  </tr> 
 </tbody> 
</table>

![eb6e8341d88141ea88ded5005880ab5b.png][]

[上一篇： 02目标检测-传统检测方法][02_-]

[下一篇：04目标检测-Two-stage的目标检测算法][04_-Two-stage]

[2374d8b9709f40a2a1f283923905f9f5.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/08/c332ffb68f7446048398f81cf98d8289.png
[ddfb40cf09694b768100c65d92916621.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/08/02111ecab182442b93b1e9079fa06a0e.png
[eb6e8341d88141ea88ded5005880ab5b.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/08/b14ac304a3ce41ac9e6b87e1afb264e7.png
[02_-]: https://blog.csdn.net/qq_41946216/article/details/132778457?spm=1001.2014.3001.5501
[04_-Two-stage]: https://blog.csdn.net/qq_41946216/article/details/132801357?spm=1001.2014.3001.5501