基于形變部件模型（Deformable Part Models）的目標(biāo)檢測(cè)

        上節(jié)說了基于cascade的目標(biāo)檢測(cè)，cascade的級(jí)聯(lián)思想可以快速拋棄沒有目標(biāo)的平滑窗（sliding window）,因而大大提高了檢測(cè)效率，但也不是沒缺點(diǎn)，缺點(diǎn)就是它僅僅是個(gè)很弱的特征，用它做分類的檢測(cè)器也是弱分類器，僅僅比隨機(jī)猜的要好一些，它的精度靠的是多個(gè)弱分類器來實(shí)行一票否決式推舉（就是大家都檢測(cè)是對(duì)的）來提高命中率，確定分類器的個(gè)數(shù)也是經(jīng)驗(yàn)問題。這節(jié)就來說說改進(jìn)的特征，盡量使得改進(jìn)的特征可以檢測(cè)任何物體，當(dāng)然Deep Learning學(xué)習(xí)特征很有效，但今天還是按論文發(fā)表順序來說下其他方法，（服務(wù)器還沒配置好，現(xiàn)在還不能大批跑Deep Learning ^.^）,在第四節(jié)說了ASM并且簡(jiǎn)單的提了下AAM，這兩個(gè)模型其實(shí)就是形變模型（deform model）,說到基于形變模型檢測(cè)物體的大牛，就不得說說芝加哥大學(xué)教授Pedro F. Felzenszwalb，Pedro發(fā)表很多有關(guān)基于形變部件來做目標(biāo)檢測(cè)的論文，并靠這個(gè)獲得了VOC組委會(huì)授予的終身成就獎(jiǎng)，另外它早期發(fā)表的《Belief propagation for early vision》也很出名，雖然比不上Science那樣的開辟新領(lǐng)域的Paper,但在不犧牲精度的情況下大

總結(jié)

以上是生活随笔為你收集整理的目标检测（Object Detection）原理与实现的全部?jī)?nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。