计算机视觉前沿发展：目标检测专题

　　《计算机视觉前沿发展：目标检测专题》主要介绍基于深度学习的目标检测算法。从实用的角度出发，《计算机视觉前沿发展：目标检测专题》将目标检测问题分为2D目标检测，3D目标检测，以及总结与展望等几章，分别描述算法发展和侧重解决的问题，并对未来的发展趋势做出展望。第二章，在2D目标检测方面，《计算机视觉前沿发展：目标检测专题》介绍了多个学者近期感兴趣的研究方向，包括：1）为了解决深度学习训练样本不足的问题，2D目标样本的合成；2）为了解决训练时样本分布不均的问题，研究者们在难例选择上做出的一些工作；3）利用弱监督学习进行目标检测；4）以及在多尺度目标、多视角、多任务学习、遮挡等方面的问题。第三章，在3D目标检测方面，介绍以下多种方案完成3D目标检测，包括：1）基于双目图像深度估计的伪雷达；2）基于点云投影到鸟的视角；3）基于RGBD图像（2．5D表达）；4）基于规则3D体素；5）基于几何（Frustum）信息，6）基于点云；7）基于多任务学习等等。最后，作者总结当前目标检测算法的发展思路，分析各个流派方法的异同，并提出对未来算法发展的一些见解。

暂缺《计算机视觉前沿发展：目标检测专题》作者简介

第一章 概述
1．1 什么是目标检测
1．2 2D目标检测简史
1．2．1 集成学习架构
1．2．2 SVM架构
1．2．3 DPM架构
1．2．4 Exemplar架构
1．2．5 深度学习架构
1．2．6 数据库
1．3 3D检测简史基于SVM
1．4 本书概述
第二章 2D图像目标检测
2．1 样本合成
2．2 难例选择
2．3 弱监督学习
2．4 多尺度目标
2．4．1 双阶段方法Faster RCNN
2．4．2 单阶段方法SSD
2．4．3 基于GAN
2．5 多姿态（视角）问题
2．5．1 基于Part
2．5．2 基于子类别
2．5．3 基于形变的卷积、池化
2．5．4 基于GAN
2．5．5 基于多任务学习
2．5．6 基于3D模型
2．5．7 其他
2．6 多任务学习
2．6．1 联合检测和分割
2．6．2 联合检测和对齐
2．7 遮挡问题
2．7．1 基于part
2．7．2 基于霍夫变换
2．7．3 基于GAN
2．7．4 基于部分数据增强
2．8 环境信息
2．8．1 外扩框
2．8．2 边界信息
2．8．3 背景
2．8．4 物体间信息
2．8．5 层间信息
2．8．6 通道间信息
2．8．7 Attention
2．9 场景变化
2．10 新增物体
2．11 基于密度估计的方法
2．12 3D框检测
2．13 视频目标检测
2．14 交互
2．15 效率提升
2．16 密度估计
2．16．1 基于检测
2．16．2 基于回归
2．16．3 相机信息
2．16．4 时域信息
2．16．5 多尺度
2．16．6 Attention
2．16．7 基于自编码器
2．16．8 通用目标检测
2．17 度量方法
2．18 非极大抑制
2．19 典型应用
2．19．1 线的检测
2．19．2 车辆检测
2．19．3 车道线检测
2．19．4 交通标识符检测
2．19．5 瑕疵检测
2．19．6 行人检测
2．19．7 人脸检测
2．19．8 文本检测
2．19．9 阴影检测
2．19．10 无纹理
2．19．11 其它检测
第三章 3D目标检测
3．1 基于双目
3．2 投影到鸟的视角
3．3 基于2．5D表达
3．4 基于规则3D体素
3．5 利用几何（Frustum）信息
3．6 基于点云
3．7 多任务学习
3．7．1 检测与分割
3．7．2 检测与定位
3．7．3 检测与深度估计
第四章 总结与展望
4．1 总结
4．2 展望
参考文献