流程：
17年底,mask-R CNN
DPM、R-CNN、YOLO、SSD
1、基於傳統圖像處理和機器學習算法的目標檢測與識別方法
傳統的目標檢測與識別方法主要可以表示為：目標特征提取->目標識別->目標定位。
這里所用到的特征都是認為設計的，例如SIFT (尺度不變特征變換匹配算法Scale Invariant Feature Transform), HOG(方向梯度直方圖特征Histogram of Oriented Gradient), SURF( 加速穩健特征Speeded Up Robust Features),等。通過這些特征對目標進行識別，然后再結合相應的策略對目標進行定位。
2、基於深度學習的目標檢測與識別方法
如今，基於深度學習的目標檢測與識別成為主流方法，主要可以表示為：圖像的深度特征提取->基於深度神經網絡的目標識別與定位，其中主要用到深度神經網絡模型是卷積神經網絡CNN。
目前可以將現有的基於深度學習的目標檢測與識別算法大致分為以下三大類：
- 基於區域建議的目標檢測與識別算法，如R-CNN, Fast-R-CNN, Faster-R-CNN;
- 基於回歸的目標檢測與識別算法，如YOLO, SSD;
- 基於搜索的目標檢測與識別算法，如基於視覺注意的AttentionNet，基於強化學習的算法。
【轉載自】
目標檢測與識別的發展與現狀 - HOU_JUN - 博客園 https://www.cnblogs.com/houjun/p/8424893.html