基于深度學習的目標檢測算法分為2類：Two Stage和One Stage。
Two Stage：先預設一個區域，改區域稱為region proposal，即一個可能包含待檢測物體的預選框（簡稱RP），再通過卷積神經網絡進行樣本分類計算。流程是：特征提取 -> 生成RP -> 分類/回歸定位。常見的Two Stage算法有：R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN、R-FCN等。

One Stage：不用生成RP，直接在網絡中提取特征值來分類目標和定位
。流程是：特征提取 -> 分類/回歸定位。常見的One Stage算法有：OverFeat、YOLOv1、YOLOv2、YOLOv3、YOLOv5、SSD、RetinaNet等。

利用滑動窗口生成RP

對于Two Stage的算法，RP的產生是一個很耗時的過程：通過一個窗口從左到右，從上到下的在整張圖片上以一定的步長進行滑動掃描，每次滑動的時候對當前窗口執行分類計算，如果當前窗口得到較高的概率，則認為檢測到了物體。過程如下圖所示，這個方法也叫滑動窗口。

滑動窗口其實就是個窮舉的過程，由于事先不知道要檢測的目標大小，所以要設置不同大小比例的窗口去滑動，而且要選取合適的步長。這樣做就會非常耗時。R-CNN就是針對此的一個改進策略，利用一種啟發式的方法只掃描可能包含目標的子區域。

利用非極大值抑制算法來挑出最優解

不管

總結

以上是生活随笔為你收集整理的目标检测的算法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。