Ada beberapa kategori metode yang dapat digunakan untuk pendeteksian objek, antara lain:

1. Teknik visi komputer tradisional: Teknik ini mengandalkan fitur dan algoritma buatan tangan untuk mendeteksi objek dalam gambar. Contohnya termasuk Scale Invariant Feature Transform (SIFT) dan algoritme Speeded Up Robust Feature (SURF).
2. Metode berbasis Deep Learning: Metode ini menggunakan jaringan saraf convolutional/ Convolutional Neural Network (CNN) untuk mempelajari fitur dari data dan melakukan deteksi objek. Contohnya termasuk Single Shot Detector (SSD) dan algoritma You Only Look Once (YOLO).
3. Metode berbasis wilayah (Region-based methods): Metode ini menggunakan CNN untuk mengklasifikasikan objek di wilayah gambar yang telah ditentukan sebelumnya. Contohnya termasuk Convolutional Neural Network (R-CNN) berbasis Wilayah dan variannya (mis. Fast R-CNN, Faster R-CNN).
4. Metode hibrid (Hybrid Methods): Metode ini menggabungkan teknik visi komputer (Computer Vision) tradisional dengan metode berbasis pembelajaran mendalam untuk meningkatkan kinerja deteksi objek.
5. Metode lain: Ada banyak metode lain yang telah diusulkan untuk deteksi objek, termasuk Transformasi Hough (Hough Transform), kerangka kerja deteksi objek Viola-Jones, dan algoritme Wilayah Ekstrem Stabil Maksimal/Maximally Stable Extremal Regions (MSER).

Masing-masing metode ini memiliki kelebihan dan kekurangannya masing-masing, dan metode terbaik untuk masalah tertentu akan bergantung pada karakteristik data dan kinerja yang diinginkan. Secara umum, metode berbasis pembelajaran mendalam/ Deep Learning telah mencapai kinerja unggul pada banyak tolok ukur deteksi objek dan banyak digunakan dalam praktik.

1. Scale Invariant Feature Transform (SIFT):

Paper: Lowe, David G. "Object recognition from local scale-invariant features." Computer vision, 1999. The proceedings of the seventh IEEE international conference on. Vol. 2. Ieee, 1999.

2. Speeded Up Robust Feature (SURF):

Paper: Bay, Herbert, et al. "Speeded-up robust features (SURF)." Computer vision and image understanding 110.3 (2008): 346-359.

3. Single Shot Detector (SSD):

Paper: Liu, Wei, et al. "SSD: Single shot multibox detector." European conference on computer vision. Springer, Cham, 2016.

4. You Only Look Once (YOLO):

Paper: Redmon, Joseph, and Ali Farhadi. "YOLOv3: An Incremental Improvement." arXiv preprint arXiv:1804.02767 (2018).

5. Region-based Convolutional Neural Network (R-CNN):

Paper: Girshick, Ross. "Rich feature hierarchies for accurate object detection and semantic segmentation." Proceedings of the IEEE conference on computer vision and pattern recognition. 2014.

6. Fast R-CNN:

Paper: Girshick, Ross. "Fast r-cnn." Proceedings of the IEEE international conference on computer vision. 2015.

7. Faster R-CNN:

Paper: Ren, Shaoqing, et al. "Faster R-CNN: Towards real-time object detection with region proposal networks." Advances in neural information processing systems. 2015.

8. Hough Transform:

Paper: Hough, Paul V. "Method and means for recognizing complex patterns." U.S. Patent 3,069,654, issued December 18, 1962.

9. Viola-Jones object detection framework:

Paper: Viola, Paul, and Michael J. Jones. "Rapid object detection using a boosted cascade of simple features." Computer vision and pattern recognition, 2001. CVPR 2001. Proceedings of the 2001 IEEE Computer Society Conference on. Vol. 1. IEEE, 2001.

10. Maximally Stable Extremal Regions (MSER):

Paper: Matas, Jiri, Ondrej Chum, and Tomas Pajdla. "Robust wide baseline stereo from maximally stable extremal regions." Image and vision computing 22.10 (2004): 761-767.

---