深度学习目标检测算法综述
XX
1
(XXXX 大学 XXXXX 院, 陕西 XX XXXXXX)
摘要:随着互联网时代技术的快速发展,深度学习也迎来巨大飞跃,在计算机视觉上也取得重大突破,例如在医疗卫生、交
通运输等领域都发挥着重要作用。深度学习凭借其强大的特征学习和迁移学习能力,有效的解决了人工提取特征等问题,与
此同时也保持着良好的检测水平。首先介绍了深度学习算法的研究进程,然后总结了深度学习中的各神经网络的研究进展,
其次总结目标检测算法中各自常见的问题和改进方案,最后讨论了深度学习算法日后应用方向。
关键词:特征学习;深度学习;计算机视觉
XX
2
(XXXX 大学 XXXXX 院, 陕西 XX XXXXXX)
Abstract
!"#$
"
$
" #
%
"
Keywords
随着计算机领域的飞速发展,深度学习近些年有
重新回归人们的视野并迅速成为社会研究的热点领域
深度学习被引入机器学习使其更接近于最初的目标&&&&
人工智能',(
)*+
。深度学习是学
习样本数据的内在规律和表示层次,这些学习过程中
获得的信息对诸如文字、图像和声音等数据的解释有
很大的帮助。它的最终目标是让机器能够像人一样具
有分析学习能力,能够识别文字、图像和声音等数据
深度学习因此成为人们研究的热点之一。
在计算机视觉领域,目标检测主要解决两个问题
图像上多个目标在哪里,是什么等一系列问题。围绕
这个问题,人们一般把发展历程分为 , 个阶段*"传统
目 标 检 测 方 法 -." 以 &/00 为 代 表 的 结 合
和 /00 分类的目标检测框架 '&/0011&
02#&/00#&/00&#/0(3-,"以 4565
为代表的将目标检测转换为回归问题的端到端
).+
'2&
&2(的目标检测框架'4565(。
*传统的目标检测方法
传统目标检测的方法一般分为三个阶段:首先在
给定的图像上选择一些候选的区域,然后对这些区域
提取特征,最后使用训练的分类器进行分类。分别如
下
'( 区域选择
利用不同尺寸的滑动窗口框住图中的某一部分作
为候选区域。
'( 特征提取
提取候选区域相关的视觉特征。比如人脸检测常
用的 7
),+
特征;行人检测和普通目标检测常用的
758 特征等。由于目标的形态多样性,光照变化多样
性,背景多样性等因素使得设计一个鲁棒的特征并不
是那么容易,然而提取特征的好坏直接影响到分类的
准确性。
'( 分类器
利用分类器进行识别,比如常用的 9: 模型。
传统目标检测存在的两个主要问题首先滑动窗口
的区域选择策略没有针对性,时间复杂度高,窗口冗
余太多。其次是手工设计的特性对于多样性的变化没
有很好的鲁棒性,导致传统的目标检测算法有很大局
限性。
.两阶段检测
."*&/00
&/00 采用 /00 框架提取图像特征,从经验取
得人造成特征范式 758
);+
、#)<+到数据驱动的表示
学习范式,提取特征对样本的表示能力。采用大样本
下有监督预训练和小样本微调的方式解决小样本难以
训练甚至过拟合等问题。
&/00 主要的训练流程为:
1
作者简介:XXX
2
作者简介:XXX
评论0
最新资源