深度学习视角下的目标检测综述.pdfVIP

中文科技期刊数据库（全文版）自然科学

中文科技期刊数据库（全文版）自然科学

深度学习视角下的目标检测综述

任佳宁陶冶（通讯作者）

辽宁科技大学，辽宁鞍山114051

摘要：目标检测已成为计算机视觉研究的核心议题，这主要归功于深度学习技术的持续进步，使得深度学习为基

础的目标检测算法得到了广泛采纳，并且其性能持续提升。本文通过归纳目标检测过程中面临的典型挑战及相应

的优化策略，系统梳理了深度学习框架下目标检测技术的最新研究成果，尤其聚焦于两大主流类型的深度学习目

标检测算法进行了综述。在文末，针对目标检测领域现存的挑战，展望了其未来发展趋势，并提出了切实可行的

对策，以期对后续研究工作提供宝贵的借鉴与指引。

关键词：目标检测；深度学习；计算机视觉

中图分类号：TP391.4

0引言出目标对象的位置，并确定其所属类别。此技术在人

脸识别、机器人视觉、智能视频监控、无人驾驶、遥

当前，目标检测技术在计算机视觉领域内占据着

感影像解析、医学图像诊断、智慧工地等多个领域展

[1]

举足轻重的地位。计算机视觉，作为人类视觉感知能

[5]

现出了广泛的应用价值。目标识别作为人工智能应用

力的技术延伸，能够借助计算机高效地从图像或视频

的核心环节，持续适应着多样化的应用场景和需求，

中捕获并“理解”信息。近年来，深度学习技术与目

推动着自身的改进与发展。然而，在光照条件不佳，

标检测的深度融合，极大地增强了目标检测功能在实

如昏暗、不均匀或失衡的环境下，深度学习目标检测

际应用中的表现，同时，一系列富有创新性的研究成

的准确性会受到显著影响。在实际情况中，夜晚或阴

果不断涌现，引领着目标检测任务朝着更迅速、更精

雨天气下的环境变化剧烈，检测目标如车辆、建筑材

确的方向迈进。在物联网技术日新月异的今天，深度

料、人及动物的动态变化，往往会导致图像采集设备

学习目标检测技术已被广泛应用于社会各行各业，并

拍摄质量下降。鉴于此，借助计算机视觉手段以降低

根据实现原理的不同，被划分为one-stage和

对人力资源的依赖，无疑具备深远的现实影响及显著

two-stage两大类。伴随着相关技术的不断进步，当前[6]

的探究意义。

双阶段算法主要包括卷积神经网络（CNN）、区域卷积

神经网络（R-CNN）、快速区域卷积神经网络（Fast1数据集及评价指标

R-CNN）、更快速区域卷积神经网络（FasterR-CNN）1.1数据集

以及掩码区域卷积神经网络（MaskR-CNN）等多种类检测目标的算法在处理数据集时，必须满足两大

[2]

型。该类计算方法采用先构建候选区域再进行细致分关键条件：首先是数据的量必须充沛，其次是数据的

析测量的流程，保障了测量结果的精确性，然而这也