本文檔的主要內(nèi)容詳細(xì)介紹的是人工智能深度學(xué)習(xí)目標(biāo)檢測(cè)的詳細(xì)資料包括了：RCNN，F(xiàn)ast RCNN ，F(xiàn)aster RCNN ，YOLO，SSD

　　數(shù)據(jù)預(yù)處理

　　SSD模型訓(xùn)練

　　什么是目標(biāo)檢測(cè)？目標(biāo)檢測(cè)主要是明確從圖中看到了什么物體？他們?cè)谑裁次恢?。傳統(tǒng)的目標(biāo)檢測(cè)方法一般分為三個(gè)階段：首先在給定的圖像上選擇一些候選的區(qū)域，然后對(duì)這些區(qū)域提取特征，最后使用訓(xùn)練的分類(lèi)器進(jìn)行分類(lèi)。

　　1. 區(qū)域選擇

　　這一步是為了對(duì)目標(biāo)進(jìn)行定位。傳統(tǒng)方法是采用窮舉策略。由于目標(biāo)可能在圖片上的任意位置，而且大小不定，因此使用滑動(dòng)窗口的策略對(duì)整幅圖像進(jìn)行遍歷，而且需要設(shè)置不同的長(zhǎng)寬。這種策略雖然可以檢測(cè)到所有可能出現(xiàn)的位置，但是時(shí)間復(fù)雜度太高，產(chǎn)生的冗余窗口太多，嚴(yán)重影響后續(xù)特征的提取和分類(lèi)速度的性能。

　　2. 特征提取

　　提取特征的好壞會(huì)直接影響到分類(lèi)的準(zhǔn)確性，但又由于目標(biāo)的形態(tài)多樣性，提取一個(gè)魯棒的特征并不是一個(gè)簡(jiǎn)單的事。這個(gè)階段常用的特征有SIFT（尺度不變特征變換，Scale-invariant feature transform）和HOG（ 方向梯度直方圖特征，Histogram ofOriented Gradient）等。

　　3. 分類(lèi)器

　　主要有SVM，Adaboost等

　　綜上所述，傳統(tǒng)目標(biāo)檢測(cè)存在兩個(gè)主要問(wèn)題：一個(gè)是基于滑動(dòng)窗口的區(qū)域選擇策略沒(méi)有針對(duì)性，時(shí)間復(fù)雜度高，窗口冗余；而是手工設(shè)計(jì)的特征對(duì)于多樣性沒(méi)有很好的魯棒性。