目标检测算法综述
《Deep Learning for Generic Object Detection: A Survey》是一篇综述论文，系统探讨了基于深度学习的目标检测技术。论文首先介绍了目标检测的基本概念及其在计算机视觉中的重要性，指出了当前研究的主要方向，包括检测框架的设计、目标特征表示、目标提议生成、形境建模、评估方法以及未来的研究潜力。此外，论文还探讨了目标检测与其他图像处理领域的关联，如分割、场景理解和自动驾驶等，并列举了其在机器人视觉、消费电子产品、安保和增强现实等领域的广泛应用。最后，论文讨论了目标检测的类型，包括特定实例检测和特定类别检测，并指出了当前研究中值得关注的领域，如开放世界学习、高效检测框架、紧凑深度特征、目标表征稳健性、形境推理、目标实例分割、弱监督学习、三维目标检测等。
论文名称：《 Deep Learning for Generic Object Detection: A Survey 》
论文下载：https://arxiv.org/abs/1809.02165
对应代码：https://github.com/hoya012/deep_learning_object_detection#2014
绪论：
目标检测作为计算机视觉的核心技术，旨在通过大量预定义的类别在自然图像中精确识别目标实例的位置。这一问题既是该领域最基本也是最具挑战性的研究方向之一。
目标检测研究的几个方面：
研究重点包括：目标特征表示、目标提议生成、形境信息建模以及训练策略等基础性子问题。此外，还包括评估问题，如基准数据集的选择、评估指标的建立以及当前最佳性能的实现。最后，我们探讨了未来具有研究潜力的研究方向。
目标检测和其它图像处理领域的关系：
作为图像理解和计算机视觉的基石，目标检测为解决分割、场景理解、目标追踪、图像描述、事件检测和活动识别等更复杂、更高层次的视觉任务提供了基础。
目标检测的应用场景：
目标检测技术广泛应用于机器人视觉、消费电子产品、安保监控、自动驾驶、人机交互以及基于内容的图像检索和智能视频监控等领域。
目标检测的类型：
目标检测可分为特定实例检测和特定类别检测两大类。前者专注于检测特定目标的实例，如唐纳德·特朗普的脸或五角大楼建筑；后者则用于识别预定义类别中的不同实例，如人、车和狗。
目标检测关注的领域
开放世界学习
更好更高效的检测框架
紧凑高效的深度 CNN 特征
稳健的目标表征
形境推理
目标实例分割
弱监督或无监督学习
三维目标检测
原文链接：
原文：<>