看到这些图片大家应该都很熟悉，今天首要的主角就是他们，现在人机对战已经火热进行中，前不久美国的一场DOTA人机大战拉开了序幕，人工智能再次向人们证明了机器在某些领域强大的能力。

在游戏中，如果想很好的了解对方“英雄”，首先必须得知道他（她）是哪位？所以，目标检测是不是无处不在了？机器就是通过视觉得到对手是谁，然后进行分析对手的所有属性，最后通过不同时间帧前后的关系来预测接下来几秒或写一秒的行为，通过不同的预测来得到最优解，完美破解对手的一些行动，以最大的胜率来击败对手。但是，今天我们只来说说目标检测这一模块，因为这是前提条件！如果对人工智能游戏感兴趣，可以阅读：

基于心理学和数据驱动的方法进行游戏《LOL&王者荣耀》事件检测与亮点事件预。

现在需要针对目标检测的困难有目标大小变化多端、目标遮挡、光照、检测速度，检测精度等，今天带领大家在这些领域去深入认识，针对性的去解决问题。

RNN—>SSP—>Fast RCNN—>Faster RCNN—>YOLO—>SSD——>......

目标检测的技术和知识在近三年得到了爆炸性的发展，应该说现在的技术完全可以基本实现很多实际情况的问题，但是依然没有大力去发展去实施，最大的问题就是不确定性。这一套技术其实现在还是不够稳定不够自适应。

一般常见的网络训练后，进行测试一般都可以进行简单的检测，比如：

想必这种简单粗暴的方法大家都会去做，而且效果会比我的更好，但是如果是现实中的一些案例呢？？？譬如：

但是很多朋友出来的结果都是如下：

这种是不是就要比单一目标和较大较清晰的目标负责很多，也许也有很多朋友去说，这不是有很多优秀的网络（比如：Tiny-Net，T-CNN，SeetaFace等），但是每个网络都有自己的优势所在，今天就来说说多目标且是小目标的检测技术，希望有兴趣的您继续看下去，谢谢！

为什么目标变小了的时候就会出现很多问题，主要问题就是特征表达性和判别性不足？所以针对表达性和判别性进行深入研究，去就解决或缓解其带来的检测难题。

就好比上面的图，如果再模糊一些再放小一些，你觉得你们认识吗？所以通过这个到底，很简单就能理解特征表达的重要性，那怎么去解决呢？

现在可以通过这个图很清楚的知道只要思想，就是利用目标的局部特征、全局特征和一些常见的融合特征，并进行有规律的融合，既可以得到鲁棒的特征表达，如下图：

通过人脸目标的不同特征进行详细学习训练特征表示。

想必上面几幅图大家都知道其出处，这种思想很好的利用了目标局部和全局特征，外加丰富的环境特征，从而很容易的就能把目标检测出来。

最终的结果与下图想必，也有很好的提升，而且在网络过程中还加入了一些巧妙的改进，使其目标检测更加精确。

以下模糊的展示我的简单网络雏形之一，并且得到了非常好的结果。

今天的知识点就点到为止，我们平台会时不时给大家讲一些小小的思路，让脑洞大开的你有更好的创新，所以请有兴趣的朋友继续关注我们平台的贡献，谢谢支持！

*博客内容为网友个人发布，仅代表博主个人观点，如有侵权请联系工作人员删除。