前言
自动驾驶、手势控制、美颜相机
发展：
- 50-60s 看
- 70-90s 看懂
- 90s-2012 识别
- 2012++理解
传统方法
直线检测、形状检测
ADAS（Advanced Driver Assistant System）高级智能驾驶系统 见：ADAS系统-ADAS|车道偏离预警|前车碰撞预警|行人识别|3D高清全景 http://www.adas.cc/adas/#_20
ADAS的核心功能集中在前车碰撞预警（FCW）、车道偏离预警（LDW）、行人检测预警（PCW）等。
检测圆形：找到一个点到边缘（由边缘检测来）的距离全部相等时，则判定区域覆盖为圆形。
机器学习方法
特征+模型
CNN 卷积层，提取特征类似HOG、LBP、Haar
前面卷积和池化，提取特征
全连接FC，或softmax（本质是将逻辑回归的二分类问题向多分类扩展），分类
卷积核（kernel、window）得到特征图（feature map）
sliding window
原始图滑窗很慢，改为在特征图上滑窗就很快
滑窗大量重复信息
R-CNN(Regions with CNN features)
Region proposals 500-2000个可能区域。先类似K-means聚类，每一个可能存在东西的部分都进模型检测
NMS 抑制掉周围方块
还是感觉R-CNN框太多了，还是无法实时。
RCNN 提取特征用的是神经网络+SVM分类
Fast RCNN 特征+分类都是神经网络
Faster RCNN ，Region proposals也用神经网络（RPN寻找潜在region）
YOLO 图像分成若干cell，只回归一次，可将图像中所有物体全都提取出来。非常先进、豪华。
bounding box 位置定位
x,y,w,h连续变量——>回归（解决的是在哪）
侦测到物体在哪，画个框
semantic segmantation
图像语义分割
更精细，像素级
卷积：
上卷积（反卷积）
端对端
较新的技术：
MASK-RCNN 反卷积形成Mask
U-NET层数比较少，医学图像
【其他资料】
关于semantic segmentation的几篇论文 - Marcovaldong的博客 - CSDN博客 https://blog.csdn.net/MajorDong100/article/details/78958656
计算机视觉之语义分割 http://blog.geohey.com/ji-suan-ji-shi-jue-zhi-yu-yi-fen-ge/