太多的公众号每天的文章是否让你眼花缭乱？刷了好多文章，发现大都是转来转去？今天我在全网公众号里为大家精选主题为深度学习目标检测算法的文章12篇，其中包括综述,R-CNN,SPP-Net,Fast R-CNN,Faster R-CNN,Mask R-CNN,R-FCN,YOLO V1,YOLO V2,YOLO V3,SSD,FPN等。

目标检测的任务是找出图像中所有感兴趣的目标(物体)，确定它们的位置和大小，是机器视觉领域的核心问题之一。由于各类物体有不同的外观，形状，姿态，加上成像时光照，遮挡等因素的干扰，目标检测一直是机器视觉领域最具有挑战性的问题。

1. 综述：

基于深度学习的目标检测算法综述
该文章从应用领域出发，结合深度学习中常用目标检测算法框架，全面系统的描述了基于深度学习的常见的目标检测算法。

2. R-CNN：

目标检测算法之RCNN
作为第一个成功将深度学习应用到目标检测上的算法。现在主流的的Fast R-CNN、Faster R-CNN 全部都是建立在R-CNN基础上的，所以要学目标检测算法，还是有必要了解一下R-CNN的实现原理的。

3. SPP-Net：

【私人整理】空间金字塔池化网络SPPNet详解
解决之前深度神经网络的一个大难题，即输入数据的维度一定要固定，SPP-Net网络架构在目标分类，目标检测方面取得了很好的成绩，那它到底有什么技巧，有什么新的创新思维呢？

4. Fast R-CNN：

Fast R-CNN：我变快了，也变强了！
Fast R-CNN 即 Fast Region-based Convolutional Network，你的直觉没错，它就是R-CNN的升级版。

5. Faster R-CNN：

万字长文详解Faster RCNN源代码
经过R-CNN和Fast RCNN的积淀，Ross B. Girshick在2016年提出了新的Faster RCNN，在结构上，Faster RCNN已经将特征抽取(feature extraction)，proposal提取，bounding box regression(rect refine)，classification都整合在了一个网络中，使得综合性能有较大提高，在检测速度方面尤为明显。

6. Mask R-CNN：

恺明大神 Mask R-CNN 超实用教程
Mask-RCNN 是何凯明大神继Faster-RCNN后的又一力作，集成了物体检测和实例分割两大功能，并且在性能上上也超过了Faster-RCNN。

7. R-FCN：

Object Detection系列(一)R-FCN
一种基于region的object detection算法：R-FCN(Region-based Fully Convolutional Network)，**R-FCN可以看做是Faster RCNN的改进版，速度上提高了差不多3倍左右，mAP也有一点提升。

8. YOLO V1：

懒人赏析YOLO V1
YOLO (You Only Look Once) 是第一个相对成功的One-Stage物体检测方法，在2016年被提出，以简单，高效的优势，一跃成为与RCNN系列并驾齐驱的物体检测框架，直至今日，YOLO V3依然作为物体检测的首选方案之一。

9. YOLO V2：

懒人赏析YOLO V2
YOLO V2是YOLO系列的第二版，在YOLO V1的基础上加以改进，改善了YOLO V1定位不准的问题，又保证了检测的速度，可谓集准确性与速度于一身(YOLO V2获得了CVPR2017的最佳论文提名)。YOLO V2的原文提出了两个模型：YOLO V2和YOLO9000，本文主要着重YOLO V2。

10. YOLO V3：

【万字长文】YOLO v3原理及代码解析
yolo每一代的提升很大一部分决定于backbone网络的提升，从v2的darknet-19到v3的darknet-53。yolo_v3还提供替换backbone——tiny darknet。要想性能牛叉，backbone可以用Darknet-53，要想轻量高速，可以用tiny-darknet。总之，yolo就是天生“灵活”，所以特别适合作为工程算法。

11. SSD：

使用SSD进行目标检测
使用SSD进行目标检测，SSD是当前最流行的目标检测算法之一。作者从检测的基本概念、滑动窗口检测、减少滑动窗口方法的冗余计算、修改后网络的训练方法、处理对象的尺度这几个方面出发，深入浅出地介绍SSD是如何一步步进行目标检测的，从理论角度总结了SSD的各个部分。

12. FPN：

目标检测算法FPN
FPN(Feature Pyramid Network)方法同时利用低层特征高分辨率和高层特征的高语义信息，通过融合这些不同层的特征达到提升预测的效果的作用。FPN中预测是在每个融合后的特征层上单独进行的。