资料参考：

1、https://blog.csdn.net/qq_38906523/article/details/79971817

2、原文：https://arxiv.org/abs/1905.05055 201905的pami

3、https://blog.csdn.net/u013049912/article/details/83275319

4、《Object Detection in 20 Years: A Survey》翻译版

5、https://blog.csdn.net/Julialove102123/article/details/92838070

6、https://blog.csdn.net/weixin_42662134/article/details/90479543

7、密歇根大学40页《20年目标检测综述》最新论文，带你全面了解目标检测方法

8、论文笔记-2019-Object Detection in 20 Years: A Survey

---

目录

 

abstract：

1 Introduction

2. 目标检测的二十年

2.1.1 传统的目标检测 

2.1.2 基于CNN的两阶段检测器

​

2.1.3 基于CNN的one-stage检测器 

2.2 目标检测的数据集和指标

2.2.1 Metrics指标

2.3 目标检测的技术演进

2.3.3 边界框回归的技术演进

2.3.4 语义提取的技术演进

5 applications

5.1 行人检测

---

---

abstract：

作为计算机视觉中最基本和最具挑战性的问题之一，目标检测近年来受到了极大的关注。它在过去二十年的发展可以看作是计算机视觉历史的缩影。如果我们将当今的物体检测视为在深度学习的力量下的技术美学，那么将时光倒流到20年前，我们将见证冷武器时代的智慧。鉴于对象检测技术的发展，本文跨越了四分之一个世纪的时间（从1990年代到2019年），对400多篇论文进行了广泛的评论。本文涵盖了许多主题，包括历史上的里程碑检测器，检测数据集，度量，检测系统的基本构建块，加速技术以及最新的检测技术水平。本文还回顾了一些重要的检测应用程序，例如行人检测，面部检测，文本检测等，并对它们的挑战以及近年来的技术改进进行了深入分析。

• milestone detectors，detection datasets, metrics, detection system blocks, speed up, state-of-art method
• pedestrain detection, face detection, text detection

1 Introduction

对象检测是一项重要的计算机视觉任务，用于检测数字图像中特定类别的视觉对象（例如人，动物或汽车）的实例。目标检测的目的是开发能够提供计算机视觉应用程序所需的最基本信息之一的计算模型和技术：what objects are where?

作为计算机视觉的基本问题之一，目标检测构成了许多其他计算机视觉任务的基础，例如实例分割[1-4]，图像标题[5-7]，目标跟踪[8]等。从应用的角度来看，物体检测可分为两个研究主题“通用物体检测”和“检测应用”，前者旨在探索在统一框架下对不同类型物体进行检测的方法，以仿真人类的视觉和认知，后一种指的是特定应用场景下的检测，例如行人检测，面部检测，文本检测等。近年来，深度学习技术的飞速发展[9]带来了新的血液进入物体检测，导致卓越突破，并将其推向研究热点，受到了前所未有的关注。现在，对象检测已广泛用于许多实际应用中，例如自动驾驶，机器人视觉，视频监控等。图​​1显示了在过去的二十年中与“对象检测”相关的出版物数量不断增长。

• 与其他相关综述文章不同之处在于：
• 

2. 目标检测的二十年

 

2.1.1 传统的目标检测 

 

HOG是一种特征变换，它不随尺度变化而变化。为了在特征不变特性和非线性，即既要保持特征不随尺度变化的特性，又想要HOG在不同类别的目标上具有可区分性。归一化会破坏掉绝对值。

• HOG的归一化是为了去除光照的影响
• 但是绝对值被干掉之后，不同的目标的HOG特征可能区分性就会减弱
• HOG是检测窗保持不变，即输入HOG的图像大小是固定的，通过resize图像来检测多尺度目标

2.1.2 基于CNN的两阶段检测器

RCNN->SPPNet->Fast RCNN->Faster RCNN->FPN

 

• RCNN：选择性搜索候选框，resize到固定尺寸送入CNN中提取特征，SVM进行分类和预测。
• 计算量很大，一个图有2K个候选框都要单独送入网络，导致模型非常慢，GPU=1/14fps。

 

2.1.3 基于CNN的one-stage检测器 

 

2.2 目标检测的数据集和指标

2.2.1 Metrics指标

2.3 目标检测的技术演进

• HOG，VJ是检测固定长宽比的目标
• 要想检测各种长宽比的目标：方法一，混合模型， 通过训练多个模型来检测不同长宽比的物体；
• 方法二，采用基于exemplar-based detection，基于范例的检测方法，为训练集的每个对象实例训练单独的模型。
• 类别太多了怎么办？能否存在一种统一的多尺度方法来检测不同长宽比的目标呢？
  • 下面的object proposals

 

• 类别太多了怎么办？能否存在一种统一的多尺度方法来检测不同长宽比的目标呢？
  • 下面的object proposals

2.3.3 边界框回归的技术演进

2.3.4 语义提取的技术演进

5 applications

5.1 行人检测

• 小行人：Caltech中，只有15%的行人身高<30 pixel，但是我们的应用场景中几乎全都是<30 pixel height的数据
• 难例：与行人特征相似的背景在我们的应用场景中经常出现
• 密集行人和遮挡问题