目標檢測 深度學習

經過測試得出以下結論：
1、傳統的目標檢測算法主要有以下幾種：
（1） 基於Boosting框架：Haar/LBP/積分HOG/ACF feature+Adaboost

（2） 基於SVM：HOG+SVM or DPM等

（3） 模版匹配（特殊情況下可以用到）
人工特征和LBP，HAAR特征級聯分類器容易出現找不到目標的情況，但是優點是響應速度快，硬件投入低，訓練模型快速
因為有時候找不到目標所以舍棄。
2、現在采用深度學習的方法，主要嘗試了以下幾種方法
（1）cnn fast-cnn faster-cnn 該類方法主要是基於region proposal(two stage) 有響應慢的特點 但是目標找到的返回率很高，

因為我們的樣本是固定的背景，並且貨品目標不存在差異，所以找到目標的概率可以滿足需求。
（2）為了滿足響應速度，采用了yolo算法和ssd算法，yolo算法的優勢在於響應速度快，但是目標查找成功率較低，網傳性能為
泰坦顯卡X版本可以達到100張圖片每秒。由此計算，一個GPU可以同時管理幾百個貨櫃，因為一個人開關一個櫃子大概需要幾秒鐘時間。
（3）為了提高精度采用和yolo同樣基於基於回歸(one stage)的SSD算法，SSD算法因為結合了YOLO和anchor進行檢測所以可以
達到和上述基於region proposal(two stage)同樣的精度。
其實還有個叫做DSSD，因為DSSD為了提高精度所以在SSD網絡後面加入了新的連接層，速度較慢。詳見下圖結構（比較SSD和DSSD）

綜上所述采用SSD算法，測試SSD算法結果如下：
本機win10系統，CPU 14核心28線程

訓練時間為7天（該截圖為昨晚叠代計時）如果用騰訊雲GPU服務器可以縮短到幾個小時，也就是幾個小時就可以上新貨。

測試代碼如下（使用VOC07數據集訓練結果）：

開始時間：

結束時間：

處理一千張圖片 總共耗時 466秒 通過計算 該機器的處理速度為 每秒2.15張，所以網傳速度較為真實。
測試圖片如下：

無人超市目標檢測算法的選型