目标检测：从传统方法到深度学习的进化之路

一文详解形状匹配的特征提取【传统方法和深度学习方法】

形状匹配（Shape Matching）是计算机视觉中的核心研究领域之一，被广泛应用于 **目标识别、医学图像分析、工业检测、自动驾驶** 等场景。其主要挑战包括 **尺度变化、旋转不变性、仿射变换、遮挡和噪声** 等因素的影响。高效、鲁棒的形状特征提取方法对于形状匹配的成功至关重要。

第十八节、基于传统图像处理的目标检测与识别(HOG+SVM附代码)

第十八节、基于传统图像处理的目标检测与识别(HOG+SVM附代码)

从传统到深度学习：目标检测算法的演进与实战应用解析

本文系统解析了目标检测算法从传统手工特征到深度学习模型的演进历程。重点探讨了以YOLO为代表的单阶段算法如何实现实时高效检测，并对比了两阶段算法的精度优势。文章结合安防、自动驾驶等实战场景，分享了模型选型、数据优化及部署落地的核心策略与经验。

目标检测 Chapter1 传统目标检测方法

文章目录目标检测问题定义介绍目标检测和图像分类、图像分割的区别目标检测问题方法传统目标检测深度学习目标检测传统 Vs 深度学习传统目标检测综述Viola-JonesHOG+SVMDPMNMS 非极大值抑制 目标检测问题定义 介绍 目标种类与数量问题：种类不同。种类越多，难度越大。数量越多（遮挡），难度越大。 目标尺度问题：同一种类的物体，也会有不同的尺度。尺度变化越大，目标检测的难度越大。尤其是在尺度非常小的时候。由于物体是运动的，所以尺度上也会变化。 一张图片，他的物体和数量都是不确定的，这就是目标检测

目标检测算法（传统&基于深度学习的）

目标检测算法 最近在学目标检测各类算法，主要分为传统的目标检测方法和基于深度学习的目标检测算法，这里记录了一些基本的算法介绍。下图是目标检测算法的发展历程 传统目标检测方法 分三部分：区域选择–>特征提取–>分类器 ①　VJ（Viola-Jones） Viola-Jones人脸检测算法可以说是非常经典的一个算法，所有从事人脸检测研究的人，都会熟悉了解这个算法，Viola-Jones算法在2001年的CVPR上提出，因为其高效而快速的检测即使到现在也依然被广泛使用。在无约束条件（如肤色分割）的情

目标检测——传统算法

目标检测是计算机视觉中的重要任务之一。本系列博客将总结目标检测的各类算法，包括传统方法、基于CNN的算法（One stage、Two stage）。本文主要对传统方法进行概述，大部分思想源自网上的博客和论文。 个人观点，广义的目标检测不仅包括物体检测（Object Detection），还包括边缘检测（Border Detection）及关键点检测（Landmark Detection）等。因此...

目标检测算法回顾之传统算法

基于传统的目标检测算法主要可以分为基于特征和基于分割两个方向。

传统目标检测实战：HOG+SVM

传统目标检测实战：HOG+SVM

目标检测的进化：深度学习与传统技术

1.背景介绍 目标检测是计算机视觉领域的一个重要研究方向，它涉及到在图像或视频中自动识别和定位目标的过程。目标检测技术有广泛的应用，如人脸识别、自动驾驶、物体识别等。传统的目标检测方法主要包括模板匹配、特征提取和SVM等，但这些方法在处理大规模、高维、不规则的图像数据方面存在一定局限性。 随着深度学习技术的发展，目标检测技术也得到了重要的推动。深度学习在目标检测领域的应用主要包括卷积神经网络(...

自动驾驶中的目标检测进化史：从YOLO到DETR

自动驾驶中的目标检测进化史：从YOLO到DETR​ ，人工智能，计算机视觉，大模型，AI，本文梳理了自动驾驶中目标检测技术从 YOLO 到 DETR 的发展历程。YOLO 系列以快速检测速度著称，经多版本迭代，在实时障碍物检测等场景广泛应用。DETR 引入 Transformer 架构，实现端到端检测，在复杂场景和小目标检测中表现出色。文中对比了两者在速度、精度等方面的差异，还探讨了目标检测技术未来向更高精度与速度、更强鲁棒性等方向发展的趋势，及其对自动驾驶技术成熟的支持作用。

深度学习目标检测法进化史，看这一篇就够了

作者 | 黄浴，奇点汽车美研中心首席科学家兼总裁来源 | 转载自知乎专栏自动驾驶的挑战和发展本文将介绍自动驾驶中的深度学习目标检测的基本概念和方法，并对几个主要 Anch...

自动驾驶目标检测技术演进：从传统方法到深度学习实战

目标检测作为计算机视觉的核心任务，其核心原理是从图像或视频中定位并识别出感兴趣的目标。传统方法依赖于手工设计的特征提取器（如HOG、SIFT）与分类器（如SVM）的组合，通过滑动窗口或选择性搜索生成候选区域，再进行特征匹配与分类。这种方法的可解释性强，但对复杂场景的泛化能力有限。随着深度学习的发展，卷积神经网络（CNN）能够自动从海量数据中学习层次化特征，实现了端到端的检测。以R-CNN系列为代表的两阶段检测器（如Faster R-CNN）通过区域提议网络（RPN）实现“粗定位+精修”，精度高；而以YOLO

目标检测进化史：从R-CNN到YOLOv11，技术的狂飙之路

在计算机视觉领域中，目标检测是一项至关重要的任务，它旨在识别图像或视频中感兴趣的目标物体，并确定它们的位置。目标检测技术的应用广泛，涵盖了自动驾驶、安防监控、智能机器人、图像编辑等多个领域。随着深度学习技术的飞速发展，目标检测算法也取得了巨大的突破，从最初的 R-CNN 到如今的 YOLOv11，每一次的技术演进都为该领域带来了新的活力和可能性。

进化计算在图像分析中的应用：从特征学习到目标检测的实践指南

进化计算是一类受生物进化启发的元启发式优化算法，通过模拟选择、交叉和变异等操作，在解空间中迭代搜索最优方案。其核心原理在于维护一个候选解种群，利用适应度函数引导搜索方向，无需梯度信息即可处理复杂优化问题。这一技术为自动化特征工程、模型架构设计和多目标优化提供了强大工具，尤其在数据稀缺、算力有限或需要模型可解释性的场景中价值显著。在图像分析领域，进化计算能够自动演化特征提取器、优化神经网络架构，并在目标检测等任务中平衡精度与效率。本文聚焦于遗传编程和多目标进化算法等关键技术，通过实战案例详解如何利用进化计算解

【深度学习】目标检测

将。

Evolvenn实验：神经网络的进化与深度学习探索

本文还有配套的精品资源，点击获取 简介：本实验“evolvenn”深入研究神经网络的进化过程，通过模拟生物进化的方式优化结构与参数，实现性能提升。实验内容涵盖从基础的人工神经网络结构到复杂网络，如CNN和RNN，并利用进化算法进行网络优化。实验通过HTML标签展示进化结果，同时探索解决过拟合等挑战。本实验不仅提供了深度学习的实践视角，还展示了神经网络结构的优化新思路，有助于...

目标检测：从传统到Transformer的进化

两阶段检测器（如Faster R-CNN）与单阶段检测器（如YOLO、SSD）的竞争逐渐演变为端到端检测框架的兴起，同时自监督学习、Transformer架构和多模态融合等技术正在重塑开发范式。传统目标检测流程通常分为区域提议和分类回归两个阶段，而DETR（Detection Transformer）首次实现了真正的端到端检测。其核心是用Transformer编码器-解码器结构替代手工设计的锚框（Anchor）和非极大值抑制（NMS）后处理。

自动驾驶技术的进化：从SLAM+DL到BEV+Transfomrer

作者：匡吉来源：深蓝AI自动驾驶技术在20世纪初的概念和实验主要集中在车辆自动化和遥控方面。到了20世纪80年代和90年代，随着计算机技术和人工智能的发展，自动驾驶技术开始取得显著进展。这一时期，一些大学和研究机构开始开发原型车辆，能够在特定条件下实现自动驾驶。进入21世纪，自动驾驶技术迎来了快速发展期。随着传感器、算法、计算能力和大数据技术的进步，多家科技公司和汽车制造商开始投入巨资研发自动驾驶...