人工智能论文：基于深度学习的目标检测技术综述
1. 引言
目标检测的任务是判断图像中是否存在属于指定类别的目标，如
果存在，则给出目标的类别和位置信息。近年来，由于卷积神经网络
的发展，基于深度学习的目标检测取得了突破性的进展，并在图像分
类、人脸识别、自动驾驶、医疗诊断等领域有广阔的应用前景。例如
Wang 等人[1]针对监控视频中行人由于聚集而相互遮挡的问题，提出
了一种改进的边界框回归的损失的目标检测方法，取得了明显的效果。
Li 等人[2]针对医学图像中存在数据分布差异且域适应能力较差的问
题,提出一种 CLU-CNNs 的域适应框架，该框架在小数据集上有良好的
扩展性和准确的定位能力。Li 等人[3]针对人脸中多变的尺度、姿态、
遮挡、表情、光照等问题导致检测率较低的问题,提出一种双分支人
脸检测器。基于深度学习的目标检测算法由于其网络结构简单、检测
速度快、精度高等特点，已经取代传统的基于滑动窗口模型的检测算
法，成为了当今主流的目标检测算法。
基于深度学习的目标检测算法可分为两类，基于候选区域的 two-
stage 目标检测算法和基于回归的 one-stage 目标检测算法。Two-
stage 算法主要有四个任务：特征提取、候选区域获得、分类和回归；
而 one-stage 算法不需要获取候选区域，只有特征提取、分类和回归
三个任务。候选区域的获取利弊兼有，通过获取候选区域可以删掉部
分背景框，训练分类器时不会因为‘类别极不均衡’影响训练器的精
度。同时，获取候选区域需消耗较多时间，因此two-stage 算法很难
剩余24页未读，继续阅读
- 1
- 2
前往页