計算機視覺前沿發(fā)展：目標檢測專題

第一章 概述
1．1 什么是目標檢測
1．2 2D目標檢測簡史
1．2．1 集成學習架構(gòu)
1．2．2 SVM架構(gòu)
1．2．3 DPM架構(gòu)
1．2．4 Exemplar架構(gòu)
1．2．5 深度學習架構(gòu)
1．2．6 數(shù)據(jù)庫
1．3 3D檢測簡史基于SVM
1．4 本書概述
第二章 2D圖像目標檢測
2．1 樣本合成
2．2 難例選擇
2．3 弱監(jiān)督學習
2．4 多尺度目標
2．4．1 雙階段方法Faster RCNN
2．4．2 單階段方法SSD
2．4．3 基于GAN
2．5 多姿態(tài)（視角）問題
2．5．1 基于Part
2．5．2 基于子類別
2．5．3 基于形變的卷積、池化
2．5．4 基于GAN
2．5．5 基于多任務(wù)學習
2．5．6 基于3D模型
2．5．7 其他
2．6 多任務(wù)學習
2．6．1 聯(lián)合檢測和分割
2．6．2 聯(lián)合檢測和對齊
2．7 遮擋問題
2．7．1 基于part
2．7．2 基于霍夫變換
2．7．3 基于GAN
2．7．4 基于部分數(shù)據(jù)增強
2．8 環(huán)境信息
2．8．1 外擴框
2．8．2 邊界信息
2．8．3 背景
2．8．4 物體間信息
2．8．5 層間信息
2．8．6 通道間信息
2．8．7 Attention
2．9 場景變化
2．10 新增物體
2．11 基于密度估計的方法
2．12 3D框檢測
2．13 視頻目標檢測
2．14 交互
2．15 效率提升
2．16 密度估計
2．16．1 基于檢測
2．16．2 基于回歸
2．16．3 相機信息
2．16．4 時域信息
2．16．5 多尺度
2．16．6 Attention
2．16．7 基于自編碼器
2．16．8 通用目標檢測
2．17 度量方法
2．18 非極大抑制
2．19 典型應(yīng)用
2．19．1 線的檢測
2．19．2 車輛檢測
2．19．3 車道線檢測
2．19．4 交通標識符檢測
2．19．5 瑕疵檢測
2．19．6 行人檢測
2．19．7 人臉檢測
2．19．8 文本檢測
2．19．9 陰影檢測
2．19．10 無紋理
2．19．11 其它檢測
第三章 3D目標檢測
3．1 基于雙目
3．2 投影到鳥的視角
3．3 基于2．5D表達
3．4 基于規(guī)則3D體素
3．5 利用幾何（Frustum）信息
3．6 基于點云
3．7 多任務(wù)學習
3．7．1 檢測與分割
3．7．2 檢測與定位
3．7．3 檢測與深度估計
第四章 總結(jié)與展望
4．1 總結(jié)
4．2 展望
參考文獻