• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看

    404 Not Found


    nginx
    404 Not Found

    404 Not Found


    nginx
    404 Not Found

    404 Not Found


    nginx
    404 Not Found

    404 Not Found


    nginx
    404 Not Found

    404 Not Found


    nginx
    404 Not Found

    404 Not Found


    nginx

    基于神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測技術(shù)研究綜述及應(yīng)用

    2019-01-08 03:16:09吳燕如珠杰管美靜
    電腦知識(shí)與技術(shù) 2019年33期
    關(guān)鍵詞:深度神經(jīng)網(wǎng)絡(luò)計(jì)算機(jī)視覺目標(biāo)檢測

    吳燕如 珠杰 管美靜

    摘要:隨著深度學(xué)習(xí)的快速發(fā)展,目標(biāo)檢測技術(shù)已經(jīng)越來越成熟。目前神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測技術(shù)已經(jīng)被廣泛應(yīng)用在行人檢測、自動(dòng)駕駛、視頻追蹤等領(lǐng)域。本文首先分析了目標(biāo)檢測技術(shù)的發(fā)展背景,介紹了神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程和目標(biāo)檢測中常用的卷積神經(jīng)網(wǎng)絡(luò)模型;其次分析了深度神經(jīng)網(wǎng)絡(luò)下的目標(biāo)檢測方法,指出現(xiàn)階段不同檢測方法存在的問題以及今后我們需要改進(jìn)的方向;最后對(duì)深度神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測技術(shù)進(jìn)行了總結(jié)和展望。

    關(guān)鍵詞:計(jì)算機(jī)視覺;目標(biāo)檢測;深度神經(jīng)網(wǎng)絡(luò)

    中圖分類號(hào):TP18 文獻(xiàn)標(biāo)識(shí)碼:A

    文章編號(hào):1009-3044(2019)33-0181-04

    1概述

    在研究過程中,計(jì)算機(jī)并不能像人一樣能夠直接感知到物體所屬類別以及所在位置。計(jì)算機(jī)視覺技術(shù)就是像人一樣來完成物體的及時(shí)定位,獲取位置,并進(jìn)行識(shí)別、分割的技術(shù)。在計(jì)算機(jī)視覺發(fā)展的早期,目標(biāo)檢測這一研究方向就激發(fā)了學(xué)者們濃厚的研究興趣。隨著計(jì)算機(jī)技術(shù)的發(fā)展,常見物體對(duì)象的檢測,根據(jù)不同對(duì)象的特征信息,能夠?qū)崿F(xiàn)目標(biāo)的定位、識(shí)別,像人臉檢測、行為檢測等一些特定目標(biāo)對(duì)象的檢測,現(xiàn)在已經(jīng)有較成熟的技術(shù)川。計(jì)算機(jī)在檢測過程中存在兩種需要解決的難題,一是多目標(biāo)對(duì)象的情形,二是前景和背景比較相似的情形,即使遇到這樣有難度的檢測對(duì)象,現(xiàn)階段也已經(jīng)有了有效的解決方法。

    目標(biāo)檢測通常是指對(duì)輸入的圖像根據(jù)其目標(biāo)對(duì)象的特征信息,首先畫出能夠把目標(biāo)對(duì)象完整圈在框內(nèi)的最小外接矩形;其次給矩形貼上類別標(biāo)簽;最后對(duì)物體的邊框進(jìn)行回歸。傳統(tǒng)的目標(biāo)檢測方法需要手動(dòng)提取檢測對(duì)象的特征,不可避免地會(huì)發(fā)生特征遺漏。此外,采用選擇性搜索生成候選區(qū)域,也增加了計(jì)算復(fù)雜度。

    當(dāng)傳統(tǒng)目標(biāo)檢測模型DPM的改進(jìn)無所適從的時(shí)候,深度神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測方法問世,該方法在數(shù)據(jù)量比較大的時(shí)候能夠自動(dòng)提取檢測對(duì)象的高層特征Cq,實(shí)現(xiàn)了在網(wǎng)絡(luò)中快速提取特征、選擇、分類和定位的完整操作,提高了目標(biāo)檢測的效率和準(zhǔn)確率。大量數(shù)據(jù)端到端的訓(xùn)練方式,迅速在目標(biāo)檢測領(lǐng)域流傳開來,傳統(tǒng)的目標(biāo)檢測也由此過渡到深度神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測技術(shù)上。

    2神經(jīng)網(wǎng)絡(luò)的發(fā)展

    2.1神經(jīng)網(wǎng)絡(luò)的發(fā)展

    神經(jīng)網(wǎng)絡(luò)是人類對(duì)神經(jīng)元的功能和網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行模擬,去完成認(rèn)知任務(wù)的一類機(jī)器學(xué)習(xí)算法。早在1943年,McCunoc等就提出了人工神經(jīng)網(wǎng)絡(luò)的概念,并闡述了它的邏輯運(yùn)算機(jī)制p)。約在1958年,Rosenblat模擬出“感知機(jī)”的神經(jīng)網(wǎng)絡(luò)模型,人工神經(jīng)網(wǎng)絡(luò)正式產(chǎn)生。1969年,《感知機(jī)》一書認(rèn)為感知機(jī)并不能解決線性不可分問題,這種觀念讓人工神經(jīng)網(wǎng)絡(luò)的研究進(jìn)入了停滯狀態(tài)。在低潮期間仍有部分研究者堅(jiān)持著神經(jīng)網(wǎng)絡(luò)的研究,1986年,Rummelhart等人再次提出了后向傳播的學(xué)習(xí)方法16);1998年,LeCun提出Let5網(wǎng)絡(luò),實(shí)現(xiàn)了手寫數(shù)字的識(shí)別。深度神經(jīng)網(wǎng)絡(luò)的再次復(fù)興離不開這些研究成果的積淀。

    2006年,Hinton首次提出深度神經(jīng)網(wǎng)絡(luò)的概念,實(shí)驗(yàn)采用含有多個(gè)隱藏層的網(wǎng)絡(luò)進(jìn)行訓(xùn)練,再用后向傳播算法學(xué)習(xí)網(wǎng)絡(luò)中的參數(shù)值。在這種情況下,深度神經(jīng)網(wǎng)絡(luò)的研究仍然不被大眾接受。直到在2012年的ImageNet圖像分類比賽中獲得冠軍,點(diǎn)燃了深度學(xué)習(xí)的熱潮,使得深度神經(jīng)網(wǎng)絡(luò)重新進(jìn)入復(fù)興時(shí)期。

    2.2神經(jīng)網(wǎng)絡(luò)基礎(chǔ)模型

    神經(jīng)網(wǎng)絡(luò)在圖像檢測過程中,首先輸入待檢測的數(shù)據(jù)集和檢測的結(jié)果,網(wǎng)絡(luò)在訓(xùn)練中自己學(xué)習(xí)參數(shù),然后模型可以達(dá)到能夠識(shí)別這一類圖像的目的,最后根據(jù)測試集的測試結(jié)果,對(duì)網(wǎng)絡(luò)的學(xué)習(xí)情況做出評(píng)價(jià)。在深度神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測方法中,基礎(chǔ)網(wǎng)絡(luò)采用卷積神經(jīng)網(wǎng)絡(luò)(CNN),在演化的過程中模型的網(wǎng)絡(luò)深度和結(jié)構(gòu)存在很大差異,但都屬于卷積神經(jīng)網(wǎng)絡(luò)的范疇。CNN的演化過程如圖1所示。

    1998年,Lecun提出Lenet5網(wǎng)絡(luò)。該模型作為最早的神經(jīng)網(wǎng)絡(luò)模型,但在網(wǎng)絡(luò)結(jié)構(gòu)和性能上并沒有特別的地方,直到AlexNet出現(xiàn),才真正成為深度神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)折點(diǎn)。

    2012年,Hinton等設(shè)計(jì)出AlextNet網(wǎng)絡(luò),同年在ImageNet比賽中獲得了圖像分類任務(wù)的冠軍,CNN首次實(shí)現(xiàn)Top-5誤差率降低了15.2%,標(biāo)志著深度學(xué)習(xí)的開始。該網(wǎng)絡(luò)結(jié)構(gòu)簡單,從可視化角度向我們展示了網(wǎng)絡(luò)各層的具體分工和實(shí)現(xiàn)效果。利用兩塊GPU進(jìn)行訓(xùn)練,首次引入ReLU激活函數(shù),解決梯度消失問題;然后引入最大池化,擴(kuò)大了感受野;最后是DropOut操作,有效避免了過擬合現(xiàn)象。為了探究網(wǎng)絡(luò)深度對(duì)模型精確度的影響,學(xué)者們設(shè)計(jì)出了VGGNet網(wǎng)絡(luò)。

    2014年,牛津大學(xué)計(jì)算機(jī)視覺組合和GooSe DeepMind公司研究員共同設(shè)計(jì)出了VGGNet網(wǎng)絡(luò),在了op-5上的錯(cuò)誤率僅為7.5%,在同年的ImageNet分類比賽中僅次于GoogLeNet。其主要思想是用兩個(gè)3*3卷積核代替原來5*5的卷積核,池化核的大小均為2*2,減少了參數(shù)數(shù)量。該模型增加了網(wǎng)絡(luò)深度,參數(shù)的數(shù)量并沒有增加太多,在圖像特征信息提取上取得了良好的效果。

    2014年,ChristianSzegedy提出GooLeNet網(wǎng)絡(luò),在Top-5上的錯(cuò)誤率降低到了6.67%,在同年的ImageNet比賽中獲得了分類冠軍叫。該網(wǎng)絡(luò)引入了Inception模塊,考慮了所有可能遇到的情況,網(wǎng)絡(luò)結(jié)構(gòu)趨于優(yōu)化,不需人為指導(dǎo)網(wǎng)絡(luò)訓(xùn)練過程,網(wǎng)絡(luò)自己根據(jù)學(xué)習(xí)情況設(shè)置參數(shù),不僅參數(shù)數(shù)量減少了12倍,而且大大提升了圖片分類的準(zhǔn)確率。但由于Inception模塊對(duì)超參數(shù)設(shè)置的局限性,影響了網(wǎng)絡(luò)的擴(kuò)展,因此就有了廣泛被作為基礎(chǔ)網(wǎng)絡(luò)的ResNet。

    2015年,He等提出了ResNet網(wǎng)絡(luò),在同年的ImageNet和COCO比賽中,分別獲得了圖像檢測、識(shí)別、分割領(lǐng)域的冠軍。該網(wǎng)絡(luò)的核心是跳層連接的方式,原始輸入信息直接傳到后面的層中,后面的層主要是學(xué)習(xí)上一個(gè)網(wǎng)絡(luò)的輸出殘差,降低了學(xué)習(xí)難度。該網(wǎng)絡(luò)深度增加至152層,參數(shù)沒有額外增加,不改變網(wǎng)絡(luò)訓(xùn)練復(fù)雜度,較好地解決了網(wǎng)絡(luò)深度較深的情況下準(zhǔn)確率不增加反而下降、梯度消失和爆炸的難題。

    3神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測模型分類

    目前,神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測已經(jīng)有多種模型,按照是否需要提取候選區(qū)域可以將模型分為兩類,一類是基于區(qū)域提名的模型,另一類是不用區(qū)域提名的模型。深度神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測模型進(jìn)化過程如圖2所示。

    3.1基于域名提名的模型

    目標(biāo)檢測中基于區(qū)域提名的模型主要有R-CNN、SPP-net、Fast R-CNN、Faster R-CNN、R-FCN,這一類模型的訓(xùn)練屬于多階段的訓(xùn)練,訓(xùn)練模型的時(shí)候首先需要找出感興趣的候選區(qū)域,常用到的方式有滑動(dòng)窗口、規(guī)則塊、選擇性搜索等,實(shí)驗(yàn)過程中要根據(jù)自己的研究對(duì)象選擇合適的方法。

    2013年,Ross B.Girshick提出R-CNN網(wǎng)絡(luò),該模型是首個(gè)用域名命名的深度神經(jīng)網(wǎng)絡(luò)檢測模型。該網(wǎng)絡(luò)在訓(xùn)練中使用標(biāo)注好的數(shù)據(jù)集進(jìn)行訓(xùn)練,大幅提升了數(shù)據(jù)集的平均精度,由于輸入圖片必須是相同尺寸,圖片需要經(jīng)過拉伸或者壓縮進(jìn)行轉(zhuǎn)換,候選區(qū)域要進(jìn)行重復(fù)的特征計(jì)算,時(shí)間消耗比較大,數(shù)據(jù)集的測試也比較緩慢。

    2015年,Hc對(duì)R-CNN做出改進(jìn)并提出了SPP-Net網(wǎng)絡(luò)。該網(wǎng)絡(luò)對(duì)輸入圖片的所有區(qū)域做共享卷積計(jì)算,提取出所有區(qū)域的特征,通過引入空間金字塔池化,實(shí)現(xiàn)不同尺寸區(qū)域的特征提取。該模型主要解決了R-CNN固定輸入尺寸的問題,仍然是一個(gè)復(fù)雜的多階段訓(xùn)練,需要存儲(chǔ)大量圖像特征,同時(shí)網(wǎng)絡(luò)在金字塔池化層之前的所有卷積層參數(shù)不能進(jìn)行finetun-ing,并沒有實(shí)現(xiàn)誤差反向傳播。

    2015年,Ross Girshiek提出了Fast R-CNN網(wǎng)絡(luò)。該網(wǎng)絡(luò)對(duì)R-CNN進(jìn)行改進(jìn),同時(shí)也采納了SPP-Net的方法,解決了候選區(qū)域重復(fù)的特征計(jì)算問題,實(shí)現(xiàn)了大量數(shù)據(jù)端到端單階段的訓(xùn)練,不需要離線存儲(chǔ)特征文件。Fast R-CNN是一種速度更快、性能更好的模型,但提取候選區(qū)域采用的還是傳統(tǒng)做法,限制了它的使用。同年,Hc等人提出了Faster R-CNN檢測算法,該算法實(shí)現(xiàn)用區(qū)域建議網(wǎng)絡(luò)提取候選區(qū)域,提取出的建議區(qū)域大大減少。使用RPN網(wǎng)絡(luò)提取出建議區(qū)域后,剩下的訓(xùn)練過程和Fast R-CNN一樣。Fast R-CNN在速度上有了很大提升,然而還是未能實(shí)現(xiàn)物體的實(shí)時(shí)檢測。

    Faster R-CNN網(wǎng)絡(luò)改進(jìn)之后產(chǎn)生了R-FCN,目的是解決Faster R-CNN檢測速度慢的問題,其主要是因?yàn)楦信d趣池化層后的結(jié)構(gòu)對(duì)建議區(qū)域沒有實(shí)現(xiàn)共享叫。R-FCN在池化層前加入位置信息,較好的解決位置敏感性問題。該網(wǎng)絡(luò)具有較深的共享卷積網(wǎng)絡(luò)層,能夠獲取到更加抽象的高層特征,其檢測速度比Faster R-CNN快2.5-20倍,但仍未能實(shí)現(xiàn)物體的實(shí)時(shí)檢測。于是,基于回歸思想的檢測方法就應(yīng)運(yùn)而生。

    3.2不基于域名提名模型

    區(qū)域卷積神經(jīng)的模型都需要生成建議區(qū)域,這會(huì)帶來重復(fù)的特征計(jì)算問題。因此,學(xué)者們提出了不基于域名提名的目標(biāo)檢測方法,目標(biāo)檢測方法也由多階段的訓(xùn)練過渡到單階段的訓(xùn)練,訓(xùn)練過程很大限度地得到簡化。目前,不基于域名提名的網(wǎng)絡(luò)模型有YOLO、SSD。

    2015年,在Faster R-CNN問世的同時(shí),Ross Girshick等人又提出了YOLO檢測方法,是首個(gè)不需要提取候選區(qū)域的算法。該算法采用回歸的思想,每張圖像只需要看一眼就能知道有哪些物體類別以及所在的位置。該算法從整體進(jìn)行預(yù)測,通過卷積神經(jīng)網(wǎng)絡(luò)能夠直接預(yù)測出boundingbox的定位置信度以及所屬類別概率。由實(shí)驗(yàn)可知,YOLO檢測過程簡單,檢測速度和準(zhǔn)確度較高,但對(duì)密集小物體的檢測效果欠佳,容易發(fā)生物體定位錯(cuò)誤。

    2016年,Liu提出SSD網(wǎng)絡(luò),目前已經(jīng)成為主流的目標(biāo)檢測方法之一。該算法不但借鑒了YOLO回歸的思想用CNN提取出不同尺度的特征圖直接進(jìn)行檢測(Yolo是在全連接層之后做檢測),而且采用FasterR-CNN中的anchor機(jī)制,降低了訓(xùn)練難度。該網(wǎng)絡(luò)和FasterR-CNN有著同樣的檢測精確度,與YO-LO一樣有著較快的檢測速度,對(duì)于小物體的檢測效果相比YO-LO有所提升。深度神經(jīng)網(wǎng)絡(luò)領(lǐng)域目標(biāo)檢測各模型性能對(duì)比如表1所示。

    上述表1展示了兩類不同的神經(jīng)網(wǎng)絡(luò)目標(biāo)檢測方法的性能指標(biāo),從各項(xiàng)性能指標(biāo)可以看出由兩階段的訓(xùn)練到端到端的訓(xùn)練過程,訓(xùn)練的平均精度有了很大的提升,每秒處理圖像的幀數(shù)也大幅增加,訓(xùn)練速度也是愈來愈快。由實(shí)驗(yàn)可知,F(xiàn)asterR-CNN對(duì)小物體的檢測效果還是比較樂觀的,SSD網(wǎng)絡(luò)的訓(xùn)練速度最快,而YOLO則是融合了兩者的特點(diǎn),速度上要比FasterR-CNN快,對(duì)于小物體的檢測要比SSD遜色。在未來的發(fā)展中,待提出的網(wǎng)絡(luò)模型不但要能夠適應(yīng)各種尺寸的物體檢測,而且要有較高的識(shí)別率和更快的檢測速度。

    4神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測方法存在的問題

    目前深度神經(jīng)網(wǎng)絡(luò)技術(shù)發(fā)展迅速,在圖像、語音、自然語言處理等領(lǐng)域都取得了可喜的成績,這些成果離不開硬件處理單元GPU的快速改進(jìn),提升了計(jì)算機(jī)處理圖像的能力。深度神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測技術(shù)作為一項(xiàng)發(fā)展中的技術(shù),目前還存在一些急待解決的問題。

    4.1數(shù)據(jù)集標(biāo)注的問題

    在深度神經(jīng)網(wǎng)絡(luò)的目標(biāo)模型中,我們需要使用標(biāo)注過的數(shù)據(jù)集進(jìn)行訓(xùn)練。在大型的視覺類比賽中常用到的公開數(shù)據(jù)集有PASCALVOC、ImageNet、MS COCO等,但對(duì)于不同模型,數(shù)據(jù)集標(biāo)注格式不同,需要我們足夠熟悉各種模型的數(shù)據(jù)集標(biāo)注格式,快速實(shí)現(xiàn)不同類型的標(biāo)注數(shù)據(jù)集之間的轉(zhuǎn)換。當(dāng)數(shù)據(jù)集大小適中的情況下,深度神經(jīng)網(wǎng)絡(luò)方法能夠?qū)颖緶?zhǔn)確定位并分類;當(dāng)數(shù)據(jù)集較大的時(shí)候,人工標(biāo)注數(shù)據(jù)的工作量也不容樂觀,增加了數(shù)據(jù)標(biāo)注成本。然而,在深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中,若數(shù)據(jù)集太小則會(huì)引起數(shù)據(jù)擬合問題,不利于模型的實(shí)現(xiàn)。因此,深度神經(jīng)網(wǎng)絡(luò)方法在小數(shù)據(jù)集上的應(yīng)用,將是一個(gè)急待解決的問題。

    4.2硬件處理單元的改進(jìn)問題

    在深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練中,不需要人工手動(dòng)提取出目標(biāo)對(duì)象的特征,網(wǎng)絡(luò)能夠自動(dòng)提取出目標(biāo)對(duì)象的特征,并對(duì)其進(jìn)行分類和定位。在數(shù)據(jù)集較大的情況下,特征提取、特征計(jì)算問題也愈加繁雜,普通計(jì)算機(jī)的CPU處理器已經(jīng)不能滿足網(wǎng)絡(luò)訓(xùn)練需要的計(jì)算能力。由英偉達(dá)公司開發(fā)的高性能顯卡,實(shí)現(xiàn)了GPU硬件環(huán)境的搭建,在同種模型的訓(xùn)練中有效提升了神經(jīng)網(wǎng)絡(luò)訓(xùn)練的效率,顯著減少了網(wǎng)絡(luò)訓(xùn)練需要的時(shí)間。在未來的研究中,我們可能開發(fā)出更加深層次的網(wǎng)絡(luò)結(jié)構(gòu),用其訓(xùn)練大量更加復(fù)雜的目標(biāo)對(duì)象,這一訓(xùn)練的實(shí)現(xiàn)也依賴于計(jì)算機(jī)的計(jì)算能力,有效升級(jí)計(jì)算機(jī)硬件處理單元是我們需要努力改進(jìn)的地方。

    4.3目標(biāo)檢測模型的進(jìn)化問題

    在傳統(tǒng)的目標(biāo)檢測方法中,研究者根據(jù)特定目標(biāo)對(duì)象的特征設(shè)計(jì)出特定的檢測器,比如:Harr特征、梯度方向直方圖(HOG)、支持向量機(jī)(SVM)、多尺度形變部件(DPM)等,這些檢測器都需要人為的提取出目標(biāo)對(duì)象的特征,不可避免地會(huì)發(fā)生特征遺漏,影響最終的檢測效果。自2013年問世的深度神經(jīng)網(wǎng)絡(luò)目標(biāo)檢測模型,能夠自動(dòng)提取出目標(biāo)對(duì)象的特征,在計(jì)算機(jī)視覺領(lǐng)域已經(jīng)得到了良好的應(yīng)用。

    目前深度神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測方法分為兩類,一類是基于域名提名的多階段訓(xùn)練模型;另一類是不基于域名提名的單階段訓(xùn)練模型?,F(xiàn)階段這兩類方法主要適用于普通物體檢測,對(duì)于文本、版面等對(duì)象的檢測效果不是很理想。這主要是因?yàn)槲矬w本身具有封閉性、均勻性,文本、版面則是開放的,往往都是扁寬的形狀,文本的縱橫比也不盡相同,文字也呈現(xiàn)出水平、豎直、傾斜的方向。研究者需要根據(jù)自身實(shí)踐經(jīng)驗(yàn),調(diào)整模型的參數(shù),讓模型也能夠適應(yīng)文本等不均勻目標(biāo)對(duì)象的檢測。

    此外,現(xiàn)有的深度神經(jīng)網(wǎng)絡(luò)目標(biāo)檢測方法對(duì)于小物體的檢測和存在遮擋的物體檢測效果還不是很理想。盡管學(xué)者們也對(duì)此類問題提出了不同的解決方法,但還沒有足夠的理論依據(jù)去解釋這一類問題。研究者需要加強(qiáng)自身理論的學(xué)習(xí),從理論角度深刻理解并改進(jìn)這一類問題,關(guān)于模型的進(jìn)化也是未來需要解決的問題。

    5總結(jié)和展望

    本文回顧了目標(biāo)檢測的發(fā)展歷程,引出了神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測技術(shù)。簡單介紹了神經(jīng)網(wǎng)絡(luò)發(fā)展歷程、基礎(chǔ)網(wǎng)絡(luò)的演化,分析了現(xiàn)階段神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測方法各自的優(yōu)缺點(diǎn)以及模型所能解決的問題。隨著計(jì)算機(jī)硬件GPU和深度神經(jīng)網(wǎng)絡(luò)的發(fā)展,神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測技術(shù)逐漸成熟,在計(jì)算機(jī)視覺領(lǐng)域已經(jīng)有了較為成功的應(yīng)用。雖然目前已經(jīng)取得了一些成績,但仍存在一些應(yīng)用方面的問題。在未來的研究中,深度神經(jīng)網(wǎng)絡(luò)在目標(biāo)檢測領(lǐng)域的應(yīng)用也將會(huì)更加成熟,對(duì)復(fù)雜的研究對(duì)象的精確度和速度的提升面臨突破,也將會(huì)有高層次領(lǐng)域的應(yīng)用。

    猜你喜歡
    深度神經(jīng)網(wǎng)絡(luò)計(jì)算機(jī)視覺目標(biāo)檢測
    試論基于深度神經(jīng)網(wǎng)絡(luò)的汽車車型識(shí)別問題
    深度神經(jīng)網(wǎng)絡(luò)的發(fā)展現(xiàn)狀
    視頻中目標(biāo)檢測算法研究
    軟件(2016年4期)2017-01-20 09:38:03
    行為識(shí)別中的人體運(yùn)動(dòng)目標(biāo)檢測方法
    機(jī)器視覺技術(shù)發(fā)展及其工業(yè)應(yīng)用
    危險(xiǎn)氣體罐車液位計(jì)算機(jī)視覺監(jiān)控識(shí)別報(bào)警系統(tǒng)設(shè)計(jì)
    計(jì)算機(jī)視覺在交通領(lǐng)域的應(yīng)用
    基于計(jì)算機(jī)視覺的細(xì)小顆粒團(tuán)重量測量的研究
    基于深度神經(jīng)網(wǎng)絡(luò)的身份識(shí)別研究
    移動(dòng)機(jī)器人圖像目標(biāo)識(shí)別
    404 Not Found

    404 Not Found


    nginx
    404 Not Found

    404 Not Found


    nginx
    404 Not Found

    404 Not Found


    nginx
    404 Not Found

    404 Not Found


    nginx
    404 Not Found

    404 Not Found


    nginx
    在线观看www视频免费| 亚洲国产色片| 视频在线观看一区二区三区| 一级片'在线观看视频| 国产精品熟女久久久久浪| 欧美人与性动交α欧美精品济南到 | 黄色 视频免费看| 欧美日韩av久久| 亚洲四区av| 久久精品久久久久久噜噜老黄| 国产精品久久久久久久久免| 精品亚洲成国产av| 久久精品久久久久久久性| 黄色视频在线播放观看不卡| 国产亚洲精品久久久com| 久久综合国产亚洲精品| 国产一区亚洲一区在线观看| 成人国产麻豆网| 亚洲美女黄色视频免费看| 美女大奶头黄色视频| 国产精品一区二区在线观看99| 国产又色又爽无遮挡免| 国产精品久久久av美女十八| 亚洲精品一区蜜桃| 9热在线视频观看99| 99九九在线精品视频| 两个人看的免费小视频| 丰满乱子伦码专区| 七月丁香在线播放| 亚洲伊人久久精品综合| 69精品国产乱码久久久| 一区二区三区精品91| 这个男人来自地球电影免费观看 | 在线观看人妻少妇| 精品久久久精品久久久| 国产激情久久老熟女| 国产有黄有色有爽视频| 亚洲av在线观看美女高潮| 午夜老司机福利剧场| 两个人看的免费小视频| 一级毛片电影观看| 一级a做视频免费观看| 国产成人免费观看mmmm| 制服诱惑二区| 大香蕉久久成人网| av网站免费在线观看视频| 伦理电影大哥的女人| 91精品三级在线观看| 久久国产精品男人的天堂亚洲 | 亚洲国产精品国产精品| 成人二区视频| 伊人亚洲综合成人网| 国产日韩一区二区三区精品不卡| 国产福利在线免费观看视频| av线在线观看网站| 男的添女的下面高潮视频| av在线老鸭窝| 一本久久精品| 免费不卡的大黄色大毛片视频在线观看| 在线天堂中文资源库| 欧美日韩亚洲高清精品| 制服人妻中文乱码| 亚洲色图 男人天堂 中文字幕 | 久久精品国产a三级三级三级| 99九九在线精品视频| 国产一区亚洲一区在线观看| 国产女主播在线喷水免费视频网站| 又黄又爽又刺激的免费视频.| 久久精品夜色国产| 高清不卡的av网站| 国产精品人妻久久久影院| 亚洲熟女精品中文字幕| 夫妻性生交免费视频一级片| 久久久精品免费免费高清| 18禁观看日本| a 毛片基地| 国产成人免费无遮挡视频| 五月玫瑰六月丁香| 美女国产视频在线观看| 色吧在线观看| 日本黄大片高清| 久久精品久久久久久久性| 欧美bdsm另类| 国产高清三级在线| 人人妻人人添人人爽欧美一区卜| 久久av网站| 99九九在线精品视频| 亚洲av中文av极速乱| 妹子高潮喷水视频| 一本色道久久久久久精品综合| 久久精品熟女亚洲av麻豆精品| av天堂久久9| 国产在线免费精品| 国产亚洲精品久久久com| 精品人妻偷拍中文字幕| 亚洲美女搞黄在线观看| 国产高清国产精品国产三级| 成人免费观看视频高清| 一区二区日韩欧美中文字幕 | 精品99又大又爽又粗少妇毛片| 国产片特级美女逼逼视频| 丝袜美足系列| 多毛熟女@视频| 爱豆传媒免费全集在线观看| 制服诱惑二区| freevideosex欧美| 国产女主播在线喷水免费视频网站| 成人亚洲欧美一区二区av| 精品人妻熟女毛片av久久网站| 国产日韩欧美在线精品| 午夜精品国产一区二区电影| 久久人人爽人人片av| 国产精品嫩草影院av在线观看| 嫩草影院入口| 久久青草综合色| 午夜久久久在线观看| 中文字幕制服av| 美女内射精品一级片tv| 日本爱情动作片www.在线观看| 欧美国产精品一级二级三级| 国产精品秋霞免费鲁丝片| 2022亚洲国产成人精品| 边亲边吃奶的免费视频| 中文字幕另类日韩欧美亚洲嫩草| 国产精品.久久久| 蜜桃在线观看..| 午夜影院在线不卡| 国产深夜福利视频在线观看| 建设人人有责人人尽责人人享有的| 国产精品一区www在线观看| 人妻人人澡人人爽人人| 亚洲欧洲日产国产| 欧美日韩精品成人综合77777| 国产福利在线免费观看视频| 色94色欧美一区二区| 两个人免费观看高清视频| 国产无遮挡羞羞视频在线观看| videossex国产| 免费av中文字幕在线| 最新中文字幕久久久久| 纵有疾风起免费观看全集完整版| 国产探花极品一区二区| 熟妇人妻不卡中文字幕| 中文乱码字字幕精品一区二区三区| 国产免费视频播放在线视频| 在线观看国产h片| 各种免费的搞黄视频| 欧美日韩精品成人综合77777| 制服丝袜香蕉在线| 九九在线视频观看精品| 日本-黄色视频高清免费观看| 老司机影院毛片| 爱豆传媒免费全集在线观看| 美女大奶头黄色视频| 22中文网久久字幕| 亚洲第一区二区三区不卡| 波野结衣二区三区在线| 十八禁网站网址无遮挡| 男女免费视频国产| 日韩一区二区视频免费看| 女的被弄到高潮叫床怎么办| 老女人水多毛片| 成年动漫av网址| 两个人免费观看高清视频| 日韩电影二区| 国产日韩欧美在线精品| 午夜福利乱码中文字幕| 少妇被粗大的猛进出69影院 | 免费看av在线观看网站| 99热这里只有是精品在线观看| 少妇 在线观看| 国产福利在线免费观看视频| 久久精品熟女亚洲av麻豆精品| 国产色婷婷99| 亚洲三级黄色毛片| 亚洲人成网站在线观看播放| 午夜福利乱码中文字幕| 成年女人在线观看亚洲视频| 国产日韩欧美在线精品| 九九爱精品视频在线观看| 国产精品久久久久久久久免| 在线观看人妻少妇| 男女无遮挡免费网站观看| 免费人成在线观看视频色| 97超碰精品成人国产| 18+在线观看网站| 国产伦理片在线播放av一区| kizo精华| 人人妻人人爽人人添夜夜欢视频| 五月开心婷婷网| 色网站视频免费| 狠狠婷婷综合久久久久久88av| 九九在线视频观看精品| 国产永久视频网站| 亚洲精品自拍成人| 日本av免费视频播放| 美女主播在线视频| 亚洲熟女精品中文字幕| 亚洲第一区二区三区不卡| 亚洲精品成人av观看孕妇| 久久免费观看电影| 亚洲精品,欧美精品| 亚洲人成77777在线视频| 亚洲欧美一区二区三区黑人 | 免费日韩欧美在线观看| 久久国内精品自在自线图片| av不卡在线播放| 99九九在线精品视频| av不卡在线播放| 欧美日韩av久久| 精品久久久精品久久久| 丝袜脚勾引网站| 久久人人爽人人片av| 晚上一个人看的免费电影| 韩国精品一区二区三区 | 日本色播在线视频| av免费观看日本| 观看av在线不卡| 女人精品久久久久毛片| 国产亚洲午夜精品一区二区久久| 狂野欧美激情性xxxx在线观看| av国产精品久久久久影院| 久久精品国产综合久久久 | 在线精品无人区一区二区三| 捣出白浆h1v1| 久久女婷五月综合色啪小说| 性高湖久久久久久久久免费观看| 国产av精品麻豆| 久久99一区二区三区| 亚洲激情五月婷婷啪啪| 久久久久久伊人网av| xxx大片免费视频| 多毛熟女@视频| 亚洲色图综合在线观看| 18禁在线无遮挡免费观看视频| 亚洲国产欧美在线一区| 黑人猛操日本美女一级片| 日韩成人av中文字幕在线观看| 久久97久久精品| 人妻人人澡人人爽人人| 国产 精品1| 欧美亚洲日本最大视频资源| 国产爽快片一区二区三区| 丝瓜视频免费看黄片| 精品国产一区二区三区四区第35| 成年女人在线观看亚洲视频| 宅男免费午夜| 色94色欧美一区二区| 精品福利永久在线观看| 亚洲精品自拍成人| 69精品国产乱码久久久| 亚洲精品色激情综合| 制服人妻中文乱码| 少妇猛男粗大的猛烈进出视频| 啦啦啦啦在线视频资源| 久久精品国产亚洲av天美| 亚洲av在线观看美女高潮| 国产在线一区二区三区精| 精品视频人人做人人爽| 亚洲久久久国产精品| 欧美日韩综合久久久久久| 交换朋友夫妻互换小说| 最黄视频免费看| 国产成人精品婷婷| 最近中文字幕高清免费大全6| 女性被躁到高潮视频| 999精品在线视频| 少妇精品久久久久久久| 热99久久久久精品小说推荐| 伦理电影大哥的女人| 亚洲欧美一区二区三区黑人 | 纵有疾风起免费观看全集完整版| 超色免费av| xxx大片免费视频| 久久99热这里只频精品6学生| 亚洲综合精品二区| 婷婷色av中文字幕| 精品亚洲成a人片在线观看| 高清视频免费观看一区二区| 欧美日韩一区二区视频在线观看视频在线| 亚洲精品自拍成人| 亚洲av.av天堂| 综合色丁香网| 国内精品宾馆在线| 女的被弄到高潮叫床怎么办| 精品视频人人做人人爽| 欧美激情极品国产一区二区三区 | 9191精品国产免费久久| 在线免费观看不下载黄p国产| 国产日韩欧美亚洲二区| 久久精品国产亚洲av涩爱| 男的添女的下面高潮视频| 26uuu在线亚洲综合色| 国产男女内射视频| 亚洲成人手机| 欧美成人午夜精品| 91成人精品电影| 欧美激情极品国产一区二区三区 | 日韩欧美精品免费久久| 国产日韩欧美视频二区| 国产一区有黄有色的免费视频| 亚洲久久久国产精品| 男的添女的下面高潮视频| 亚洲美女视频黄频| 免费久久久久久久精品成人欧美视频 | 色网站视频免费| 国产免费现黄频在线看| 日韩av不卡免费在线播放| 少妇的丰满在线观看| 久久久久久久精品精品| 精品国产国语对白av| 欧美亚洲日本最大视频资源| 国产av一区二区精品久久| 免费观看av网站的网址| 看非洲黑人一级黄片| 亚洲精品国产色婷婷电影| 亚洲精品日本国产第一区| 99久久人妻综合| 国产探花极品一区二区| 亚洲美女搞黄在线观看| 18禁在线无遮挡免费观看视频| 999精品在线视频| 国产精品国产av在线观看| 午夜福利在线观看免费完整高清在| 五月伊人婷婷丁香| 成人漫画全彩无遮挡| 一本大道久久a久久精品| 午夜精品国产一区二区电影| 日韩中字成人| 爱豆传媒免费全集在线观看| 亚洲欧美日韩卡通动漫| 51国产日韩欧美| 国产免费又黄又爽又色| 少妇高潮的动态图| 欧美日韩视频精品一区| 色视频在线一区二区三区| av女优亚洲男人天堂| 老女人水多毛片| 90打野战视频偷拍视频| 国产熟女午夜一区二区三区| √禁漫天堂资源中文www| 国产精品熟女久久久久浪| 久久久久久人妻| 精品人妻熟女毛片av久久网站| 国产精品无大码| 欧美少妇被猛烈插入视频| 亚洲欧美日韩卡通动漫| 丰满饥渴人妻一区二区三| 成人综合一区亚洲| 久久国产精品大桥未久av| 亚洲色图 男人天堂 中文字幕 | 国产一区亚洲一区在线观看| 久久久久视频综合| 啦啦啦在线观看免费高清www| 亚洲精品乱久久久久久| av片东京热男人的天堂| av片东京热男人的天堂| 欧美精品av麻豆av| 亚洲精品乱久久久久久| 国产精品国产三级国产av玫瑰| 十分钟在线观看高清视频www| 日韩制服骚丝袜av| 亚洲综合色惰| 99热网站在线观看| 七月丁香在线播放| 久久久久久伊人网av| 少妇的丰满在线观看| 有码 亚洲区| 久久午夜综合久久蜜桃| 亚洲 欧美一区二区三区| 国产1区2区3区精品| 毛片一级片免费看久久久久| 热re99久久国产66热| 亚洲综合精品二区| 中文乱码字字幕精品一区二区三区| 亚洲欧美中文字幕日韩二区| 韩国av在线不卡| 18+在线观看网站| 国产精品无大码| 精品少妇久久久久久888优播| 日韩 亚洲 欧美在线| 97超碰精品成人国产| 2022亚洲国产成人精品| 伦理电影免费视频| 黄网站色视频无遮挡免费观看| 18+在线观看网站| 午夜日本视频在线| 多毛熟女@视频| 亚洲精品国产色婷婷电影| 亚洲国产最新在线播放| 黑人巨大精品欧美一区二区蜜桃 | 99热网站在线观看| 99久久综合免费| 国产在线一区二区三区精| 99re6热这里在线精品视频| 久久99精品国语久久久| 欧美精品av麻豆av| 丰满饥渴人妻一区二区三| 欧美+日韩+精品| 久久久亚洲精品成人影院| 国产国拍精品亚洲av在线观看| 成年人午夜在线观看视频| 两个人免费观看高清视频| 制服丝袜香蕉在线| 精品午夜福利在线看| 日韩欧美精品免费久久| av线在线观看网站| 久久国产精品大桥未久av| 狂野欧美激情性xxxx在线观看| 久久久久网色| 男女无遮挡免费网站观看| 精品福利永久在线观看| 亚洲综合色网址| 欧美日韩av久久| 午夜免费观看性视频| 汤姆久久久久久久影院中文字幕| 欧美精品av麻豆av| 国产69精品久久久久777片| 在线精品无人区一区二区三| 麻豆乱淫一区二区| 美女中出高潮动态图| 国产永久视频网站| 国产高清国产精品国产三级| 女人被躁到高潮嗷嗷叫费观| 免费看光身美女| a级毛片在线看网站| 免费观看性生交大片5| 人妻系列 视频| 国产一区二区激情短视频 | 欧美 亚洲 国产 日韩一| 亚洲第一av免费看| 欧美日韩成人在线一区二区| 国产av国产精品国产| 飞空精品影院首页| 老司机影院毛片| 日韩中文字幕视频在线看片| 亚洲五月色婷婷综合| 看免费成人av毛片| www.色视频.com| 亚洲国产色片| 18禁国产床啪视频网站| 观看av在线不卡| 人妻人人澡人人爽人人| 久久久久久久亚洲中文字幕| 一级,二级,三级黄色视频| 久久99热这里只频精品6学生| 亚洲精品一区蜜桃| 国产免费福利视频在线观看| 色哟哟·www| 麻豆乱淫一区二区| 亚洲一级一片aⅴ在线观看| 国产亚洲欧美精品永久| 少妇 在线观看| 亚洲精品美女久久av网站| 亚洲av福利一区| 麻豆精品久久久久久蜜桃| 亚洲精品美女久久av网站| 91国产中文字幕| 精品少妇久久久久久888优播| 国产xxxxx性猛交| 日韩av不卡免费在线播放| 亚洲精品色激情综合| 成人无遮挡网站| 夜夜骑夜夜射夜夜干| 国产精品熟女久久久久浪| 国产老妇伦熟女老妇高清| 免费日韩欧美在线观看| 亚洲三级黄色毛片| 婷婷色麻豆天堂久久| 日韩成人av中文字幕在线观看| av黄色大香蕉| 国产精品 国内视频| 亚洲av电影在线观看一区二区三区| 女人被躁到高潮嗷嗷叫费观| 亚洲欧美一区二区三区黑人 | 久久久久久伊人网av| 下体分泌物呈黄色| 黄色配什么色好看| av又黄又爽大尺度在线免费看| 国产黄色视频一区二区在线观看| 色5月婷婷丁香| 美女国产视频在线观看| 男人爽女人下面视频在线观看| 亚洲久久久国产精品| 成人国语在线视频| 男人爽女人下面视频在线观看| 精品少妇黑人巨大在线播放| 一级毛片 在线播放| 青春草国产在线视频| 中文字幕人妻丝袜制服| 两个人看的免费小视频| 日本91视频免费播放| 视频在线观看一区二区三区| 国产日韩一区二区三区精品不卡| av在线app专区| 亚洲av国产av综合av卡| 一本久久精品| 高清视频免费观看一区二区| 亚洲欧美成人综合另类久久久| 九色亚洲精品在线播放| 久久久久久久久久久免费av| 黑人猛操日本美女一级片| 精品亚洲成a人片在线观看| 亚洲精品自拍成人| 一本久久精品| 十八禁网站网址无遮挡| 免费久久久久久久精品成人欧美视频 | 五月玫瑰六月丁香| 香蕉精品网在线| 一级片免费观看大全| 久久 成人 亚洲| 中国美白少妇内射xxxbb| 少妇的丰满在线观看| 人妻人人澡人人爽人人| 亚洲少妇的诱惑av| 最新的欧美精品一区二区| 亚洲伊人久久精品综合| 国产男女内射视频| 女性被躁到高潮视频| 亚洲国产日韩一区二区| 国产国拍精品亚洲av在线观看| 99热这里只有是精品在线观看| 美女脱内裤让男人舔精品视频| 久久综合国产亚洲精品| 国产成人精品一,二区| 欧美日韩视频精品一区| 欧美国产精品va在线观看不卡| 国产一区二区三区综合在线观看 | 黄色 视频免费看| 国产免费一级a男人的天堂| 丝袜美足系列| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 国产午夜精品一二区理论片| 桃花免费在线播放| 国产欧美日韩一区二区三区在线| 亚洲精品视频女| 国产亚洲精品久久久com| 女人久久www免费人成看片| 激情五月婷婷亚洲| 国产又爽黄色视频| 精品久久久久久电影网| 黄网站色视频无遮挡免费观看| 亚洲第一区二区三区不卡| 人人妻人人添人人爽欧美一区卜| 巨乳人妻的诱惑在线观看| 精品久久久久久电影网| 亚洲av综合色区一区| 一级毛片黄色毛片免费观看视频| 热re99久久国产66热| 深夜精品福利| 中文字幕最新亚洲高清| 亚洲国产毛片av蜜桃av| 成人国产麻豆网| 国产69精品久久久久777片| 久久久久久久久久久久大奶| 中文字幕精品免费在线观看视频 | 精品午夜福利在线看| 国产爽快片一区二区三区| 欧美日韩成人在线一区二区| 水蜜桃什么品种好| 国产av精品麻豆| 啦啦啦中文免费视频观看日本| 午夜免费男女啪啪视频观看| 五月玫瑰六月丁香| 精品人妻一区二区三区麻豆| 99热国产这里只有精品6| 天堂俺去俺来也www色官网| 日韩人妻精品一区2区三区| 国产片特级美女逼逼视频| 日本免费在线观看一区| 亚洲高清免费不卡视频| 看免费成人av毛片| 国产成人av激情在线播放| 欧美老熟妇乱子伦牲交| 免费av中文字幕在线| 久久婷婷青草| 日韩三级伦理在线观看| 午夜福利视频在线观看免费| 少妇人妻 视频| 午夜精品国产一区二区电影| 五月伊人婷婷丁香| 欧美成人精品欧美一级黄| 午夜av观看不卡| 美女视频免费永久观看网站| 国产黄色免费在线视频| 亚洲欧美一区二区三区国产| 亚洲精品aⅴ在线观看| 下体分泌物呈黄色| 交换朋友夫妻互换小说| a级毛片黄视频| 男的添女的下面高潮视频| 人妻少妇偷人精品九色| 寂寞人妻少妇视频99o| 女性被躁到高潮视频| 日本免费在线观看一区| 最后的刺客免费高清国语| www.av在线官网国产| 少妇猛男粗大的猛烈进出视频| 国产白丝娇喘喷水9色精品| 毛片一级片免费看久久久久| 国产成人一区二区在线| 午夜免费鲁丝| 黄色配什么色好看| 一二三四中文在线观看免费高清| 日韩熟女老妇一区二区性免费视频| 亚洲,一卡二卡三卡| 亚洲精品美女久久av网站| 黄色怎么调成土黄色| 欧美+日韩+精品| 天堂8中文在线网| 不卡视频在线观看欧美| 综合色丁香网| 99国产精品免费福利视频| 久久青草综合色| 九草在线视频观看|