目標檢測領域還有什麼可以做的？

1樓：機器有顆玻璃心

還有好多可以做呀:

比如醫療中有問題的紅細胞，腫瘤一類的。

還有X光下的物體識別，安檢用。

高壓電線上絕緣子破裂的識別。

工廠木板的平滑與否。

我覺得好多沒有做呢。

2樓：

沒有setting就創造新的setting啊！跨資料集怎麼訓練，少量標註（few-shot，zero-shot）怎麼訓練，能不能meta-learning一波？image的做完了，video的呢？

紅外的呢？RGB-D的呢？這些都做完了，能不能從別的領域偷點idea啊，比如segmentation，跟蹤？

anyway，既然hardcore的東西難做，比不過state-of-the-art，那就創造新的setting，成為state of the art呀！

3樓：孫楊威

水平有限，補充幾點吧。

現在的目標檢測方法基本是region based或者anchor based，也就是說要有一定數量的先驗anchor來保證recall，也需要精準的合乎情理的default box來保證精度，這是anchor based的方法不可避免的問題。

參考CornerNet, 將檢測思路轉換，擺脫anchor的限制，將問題轉化為landmark，甚至可以轉化為segmentation問題，比如Grid R-CNN，是兩者的結合，相信未來會出現新的檢測paradigm，提供新的檢測思路。

如果按照目前的檢測思路，input->backbone->feature->pooling->head->classification and regression ->nms，這裡面的每個步驟都可以值得研究，不斷逼近上限。

更本質的研究是挖掘CNN的本質，分類和回歸分別對translation invariance和定位細節有不同的要求，而這兩者互相矛盾，所以如何同時把分類和定位做好也值得研究。

4樓：知雲學堂

狹義的目標檢測，可能做的確實不多了，YOLO後續的版本大部分還是一些工程上的技巧。

由於資料集和問題本身的緣故，通過一些工程技巧去提高成績的學術價值其實已經不大。

發文章的話，最好還是不要把思路定格在這個問題上，還是要在一些前沿領域找細分或者能結合的點子。

5樓：悟冥

目標檢測還差的遠呢，啥時候把MSCOCO中中一千類的目標檢測做到類似VOC的水平，在看說這樣的話吧。前路漫漫，各位大佬加油

6樓：摸不著頭腦

我覺得目標檢測，可以分為兩個方面做，乙個是又沒有目標，乙個是目標在哪，現在這兩個問題我認為都還有的做，由於我主要做醫學的影象，常見的問題就是，又沒有腫瘤（診斷），腫瘤在哪（定位）

7樓：洛丹倫的冬天

目標檢測問題可以做的確實還有很多，但是這是很多大公司的主戰場，如果是勢單力薄的小型實驗室，擁有較少的GPU，怕是很難玩轉的。

8樓：王哲

題主說的意思是，最近目標檢測方面的突破性成果太少了對不對，而不是先有成果已經滿足要求了？沒錯啊，現在的確是瓶頸期吧，我等小嘍囉確實不知道還能做些什麼。

9樓：劉子非

目標檢測怎麼能說是要飽和了呢，現在還是很low的水平。特定目標可能是效果不錯，比如人臉，行人，但是通用目標的路還有很長很長的路

10樓：insmod

多幀檢測時框的抖動很大，如何從原理上把這個問題解決？而不是靠後續平滑演算法補救。

更新於2019.01.08

小目標問題，模型的小型化問題。

11樓：

更好的建議區域演算法

更好的結果處理方式（更好的nms，或把nms進化到檢測主網路中）更精準的定位精度

弱監督目標檢測（例如只有image-level標註的目標檢測）更好的多尺度處理（現有檢測網路大都需要輸入影象resize，其實不合理）

少樣本目標檢測