Hough Forest目标检测由Juergen Gall在2009的CVPR上提出。作者给出的源码是基于linux系统的，在这里做了相应的修改使其能够在win系统上能够正常工作，只上传了修改后的代码及测试数据，需要自己另外配置opencv。我的环境是64位Win7+vs2010+opencv2.4.9。

本文来自于网络，本文主要介绍了目标检测可以实际应用的生活场景以及目标检测的主要问题和深度学习的方法等相关知识。这或许是计算机视觉领域内最著名的问题。它主要指将一张图像归为某种类别。学术界最流行的一类数据集是ImageNet，由数以百万计已分好类的图像组成，（部分）用于年度ImageNet大规模视觉识别挑战比赛（ILSVRC）。近年来，分类模型已经超过了人类的表现，因此该问题基本算是一个已经解决的问题。图像分类领域有许多挑战，但是也有许多文章介绍已经解决了的，以及未解决的挑战。图分类样例与分类类似，定位问题是找到图像中单一物体的位置。图目标定位示例目标定位在实际生活中是很有用的。例如，智能裁

现有的高精度目标检测算法依赖于超深的主干网络(如ResNet和Inception),无法满足实时目标检测场景的需要,相反采用轻量级主干网络(如VGG-16和MobileNet)能达到实时目标检测的目的,但会导致检测精度的损失,对小目标的检测效果变差。SSD(Single Shot Multi-Box Detector)算法具有高精度、实时检测的特点。本文以SSD算法的网络结构为基础,通过添加感受野模块增强轻量级主干网络的特征提取能力,同时引入特征融合模块,充分利用深层网络提取语义信息,达到实时目标检测的目的,同时提高算法整体的检测精度和对小目标的检测能力。为进一步验证引入新模块的有效性,本文算法模型在PASCAL VOC2007数据集上进行测试,准确率达到80.5%,相比于原始SSD算法有3.3个百分点的提升,检测速度达到75 frame/s,整体性能优于目前大多数目标检测算法。

海上石油平台监控环境复杂，采油工作平台摄像头监控角度不同，海上环境复杂多变，雨雾等天气下，摄像头图片模糊不清.针对上述增加了目标检测的难度的问题，提出了一种基于卷积神经网络的复杂场景目标检测算法（简称ODCS）来检测图像中的特定对象.该方法结合不同分辨率的特征图预测来自然处理各种尺寸的对象，消除了特征重新采样阶段，并将所有计算封装在单个网络中，这样易于训练且可以直接集成到需要检测组件的系统中.实验结果表明，相对于传统的方法，该方法检测在准确率和召回率上明显提高，且检测效率能够满足实时应用的要求.

GIthub使用指北: 1.想将项目拷贝到自己帐号下就fork一下. 2.持续关注项目更新就star一下 3.watch是设置接收邮件提醒的. Retinanet-Pytorch 目标检测算法pytorch实现, 本项目不是完全的复现论文（很多参数以及实现方式上与原论文存在部分差异，有疑问欢迎issues） 由于一些原因,训练已经过测试,但是并没有训练完毕,所以不会上传预训练模型. 但项目代码验证无误.（但在使用时需要自己进行调整。不建议新手进行尝试。） 项目在架构上与 采用了相似的结构. 重用了大量中代码,如训练器,测试器等. 本项目单机多卡,通过torch.nn.DataParallel实现,将单机环境统一包装.支持单机单卡,单机多卡,指定gpu训练及测试,但不支持多机多卡和cpu训练和测试. 不限定检测时的设备(cpu,gpu均可). Requirements pytorch op

针对复杂背景下红外图像中低信噪比弱小目标实时检测问题，提出一种基于相关滤波器的红外弱小目标检测算法。该算法将红外目标检测转化为模式分类问题，在离线训练阶段，利用二维高斯模型构造红外小目标训练集，在此基础上训练得到对目标背景具有区分能力的相关滤波器，在线检测阶段，利用滤波器对图像分块进行滤波操作，目标和背景的滤波响应有着显著的差异，最后生成整幅图像的滤波响应置信图以此来判断图像中是否包含目标及其具体位置。在单帧单目标图像、序列图像多目标检测实验结果表明，与经典检测算法相比，所提方法不仅具有更高检测性能，有效降低了虚警概率，而且具有较好的实时性，适用于复杂背景条件下弱小目标的实时检测。

一种基于粒子群算法的红外运动小目标检测算法.pdf

使用目标检测的基本常用算法的帧间差分法来对视频中的运动目标进行检测

目标探测算法；标检测的目的在于从静态图片或视频中检测并定位设定种类的目标物体, 已有研究大都将目标检测问题简化为一个二分类问题. 鉴于支持向量机在模式识别领域尤其是解决二分类问题中所表现出来的优越性, 如何将其应用于目标检测已成为当今计算机视觉领域关注的重点. 对此, 从支持向量机原理、目标特征模型构建、学习训练和目标检测框确定等角度, 综述了基于支持向量机的目标检测算法的研究现状, 并就进一步的发展进行了展望.

应该是目前为止互联网上能找到的关于yolo v1目标检测开源算法损失函数的最详尽的代码注释了吧！对于初学人工智能的朋友们应该有所帮助。