• <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
    毛片一级片免费看久久久久 | 无人区码免费观看不卡| 变态另类丝袜制服| 国产欧美日韩一区二区三| 91午夜精品亚洲一区二区三区 | 一本精品99久久精品77| 国内精品一区二区在线观看| 97碰自拍视频| 午夜免费成人在线视频| 亚洲国产日韩欧美精品在线观看| 看免费av毛片| 亚洲男人的天堂狠狠| 精品无人区乱码1区二区| 国产伦人伦偷精品视频| 岛国在线免费视频观看| a级毛片免费高清观看在线播放| 五月玫瑰六月丁香| 日本五十路高清| 麻豆一二三区av精品| 在线看三级毛片| 亚洲欧美清纯卡通| 久久6这里有精品| 国产成人av教育| 亚洲欧美日韩高清在线视频| 日韩欧美 国产精品| 一区福利在线观看| 夜夜爽天天搞| 天堂影院成人在线观看| 国产精品久久久久久久电影| 精品一区二区免费观看| 日韩欧美免费精品| 男女视频在线观看网站免费| 男女视频在线观看网站免费| 欧美激情在线99| 丰满乱子伦码专区| 国产精品三级大全| 一级a爱片免费观看的视频| 国产乱人视频| 久久精品夜夜夜夜夜久久蜜豆| 国内毛片毛片毛片毛片毛片| 91麻豆av在线| 精品福利观看| 亚洲,欧美精品.| www.www免费av| 高清在线国产一区| 亚洲国产高清在线一区二区三| 97碰自拍视频| 在线观看av片永久免费下载| 亚洲精品在线美女| 一级黄色大片毛片| 天天一区二区日本电影三级| 久久伊人香网站| 国产淫片久久久久久久久 | 精品无人区乱码1区二区| 国产在线精品亚洲第一网站| 1000部很黄的大片| 五月玫瑰六月丁香| 久久6这里有精品| 国产精品久久久久久人妻精品电影| 亚洲成av人片免费观看| 桃红色精品国产亚洲av| 成人性生交大片免费视频hd| 观看美女的网站| 免费搜索国产男女视频| 两个人视频免费观看高清| 男女视频在线观看网站免费| 日韩av在线大香蕉| 日韩欧美免费精品| 深爱激情五月婷婷| 观看美女的网站| 国产一区二区三区在线臀色熟女| 亚洲熟妇熟女久久| 免费观看人在逋| 亚洲五月天丁香| 亚洲第一电影网av| 每晚都被弄得嗷嗷叫到高潮| a级毛片免费高清观看在线播放| 三级毛片av免费| 成人精品一区二区免费| 国产精品98久久久久久宅男小说| 99视频精品全部免费 在线| .国产精品久久| 99久久九九国产精品国产免费| 日日摸夜夜添夜夜添av毛片 | 男女视频在线观看网站免费| 欧美成人a在线观看| 久久久久国内视频| 国产在线精品亚洲第一网站| 国内少妇人妻偷人精品xxx网站| 色综合站精品国产| 午夜福利成人在线免费观看| 日韩精品青青久久久久久| 有码 亚洲区| 男插女下体视频免费在线播放| 热99re8久久精品国产| 精品熟女少妇八av免费久了| 成年免费大片在线观看| 欧美色欧美亚洲另类二区| 午夜激情福利司机影院| 最近在线观看免费完整版| 精品欧美国产一区二区三| 99久久精品国产亚洲精品| 国产大屁股一区二区在线视频| 午夜日韩欧美国产| 国产伦精品一区二区三区四那| 欧美高清性xxxxhd video| av在线老鸭窝| 日本在线视频免费播放| 日韩欧美在线二视频| 又黄又爽又刺激的免费视频.| 真人做人爱边吃奶动态| 又粗又爽又猛毛片免费看| 久久99热这里只有精品18| 深夜精品福利| 噜噜噜噜噜久久久久久91| 日本a在线网址| 欧美乱妇无乱码| 精品人妻熟女av久视频| 国产中年淑女户外野战色| 欧美黄色淫秽网站| 亚洲欧美日韩高清在线视频| 无遮挡黄片免费观看| 一区二区三区四区激情视频 | 久久精品夜夜夜夜夜久久蜜豆| 午夜老司机福利剧场| 亚洲欧美日韩高清在线视频| 久久国产乱子免费精品| 禁无遮挡网站| 国产伦在线观看视频一区| 亚洲精品成人久久久久久| 欧美黑人巨大hd| 亚洲人成网站高清观看| 亚洲精品一卡2卡三卡4卡5卡| 动漫黄色视频在线观看| 自拍偷自拍亚洲精品老妇| 亚洲精品成人久久久久久| 欧美精品国产亚洲| 久久久久久久午夜电影| 九九热线精品视视频播放| 男女之事视频高清在线观看| 日韩高清综合在线| 国产麻豆成人av免费视频| 在线播放无遮挡| 91午夜精品亚洲一区二区三区 | 一个人看的www免费观看视频| 成人毛片a级毛片在线播放| 日本五十路高清| 国产高清激情床上av| 久久婷婷人人爽人人干人人爱| 一进一出好大好爽视频| 最近最新免费中文字幕在线| 可以在线观看毛片的网站| av在线观看视频网站免费| 69人妻影院| 中文字幕人妻熟人妻熟丝袜美| 一区二区三区高清视频在线| 嫩草影院入口| 国产精品人妻久久久久久| 91av网一区二区| 18美女黄网站色大片免费观看| 最近最新中文字幕大全电影3| 亚洲av五月六月丁香网| av中文乱码字幕在线| 免费av毛片视频| 国产亚洲欧美在线一区二区| 怎么达到女性高潮| 在线观看66精品国产| 91久久精品国产一区二区成人| 婷婷亚洲欧美| 少妇人妻精品综合一区二区 | 国产在线男女| av女优亚洲男人天堂| 日本a在线网址| 男女床上黄色一级片免费看| 国产淫片久久久久久久久 | 久久久久久大精品| 男女下面进入的视频免费午夜| 国产精品影院久久| 亚洲精品亚洲一区二区| 大型黄色视频在线免费观看| 国产一级毛片七仙女欲春2| 日韩国内少妇激情av| 99久久九九国产精品国产免费| 免费在线观看日本一区| 精品久久久久久成人av| 日本在线视频免费播放| 亚洲成a人片在线一区二区| 中文在线观看免费www的网站| 天堂网av新在线| 一卡2卡三卡四卡精品乱码亚洲| 简卡轻食公司| 两个人视频免费观看高清| 国产亚洲欧美在线一区二区| 在线观看美女被高潮喷水网站 | 国产精品三级大全| 女生性感内裤真人,穿戴方法视频| 亚洲熟妇中文字幕五十中出| 精品久久久久久久久av| 国产成人福利小说| 亚洲精品粉嫩美女一区| 嫩草影院精品99| 岛国在线免费视频观看| 最近视频中文字幕2019在线8| 精品午夜福利在线看| 免费看a级黄色片| 日韩欧美 国产精品| 欧美绝顶高潮抽搐喷水| 成人欧美大片| 免费观看精品视频网站| 日韩欧美国产在线观看| 日本三级黄在线观看| 亚洲avbb在线观看| 午夜福利成人在线免费观看| 男人狂女人下面高潮的视频| 成年女人毛片免费观看观看9| 亚洲av不卡在线观看| 国产视频内射| 最近中文字幕高清免费大全6 | 免费一级毛片在线播放高清视频| 国内精品久久久久精免费| 亚洲av免费在线观看| 宅男免费午夜| 天堂动漫精品| 嫩草影院新地址| 免费看美女性在线毛片视频| 我要搜黄色片| 欧美激情在线99| 在线观看午夜福利视频| 69人妻影院| 欧美zozozo另类| 最后的刺客免费高清国语| 亚洲成av人片免费观看| 国产人妻一区二区三区在| 国产伦人伦偷精品视频| 国产精品自产拍在线观看55亚洲| 国产精品自产拍在线观看55亚洲| 亚洲av第一区精品v没综合| 亚洲精华国产精华精| 嫁个100分男人电影在线观看| 午夜精品在线福利| 禁无遮挡网站| 狂野欧美白嫩少妇大欣赏| 国内精品久久久久久久电影| 亚洲人成网站在线播| 亚洲久久久久久中文字幕| 婷婷丁香在线五月| 亚洲成人久久性| 国产精品综合久久久久久久免费| 丁香六月欧美| 男女那种视频在线观看| 麻豆av噜噜一区二区三区| 久久草成人影院| 蜜桃久久精品国产亚洲av| 国产综合懂色| 看片在线看免费视频| 韩国av一区二区三区四区| 少妇熟女aⅴ在线视频| 嫩草影视91久久| 日韩精品青青久久久久久| 亚洲综合色惰| 久久婷婷人人爽人人干人人爱| 日本a在线网址| 亚洲av熟女| 欧美高清性xxxxhd video| 国产精品98久久久久久宅男小说| 99久久精品热视频| 色精品久久人妻99蜜桃| 99久久精品国产亚洲精品| 女人被狂操c到高潮| 级片在线观看| 亚洲三级黄色毛片| 亚洲av五月六月丁香网| 欧美日韩综合久久久久久 | 久久久久性生活片| 国产又黄又爽又无遮挡在线| 国产精品一区二区三区四区免费观看 | 日日夜夜操网爽| 国产黄片美女视频| 在线观看一区二区三区| 成人特级av手机在线观看| 国产91精品成人一区二区三区| 毛片一级片免费看久久久久 | 国产一区二区在线av高清观看| 两个人视频免费观看高清| 给我免费播放毛片高清在线观看| 精品无人区乱码1区二区| 蜜桃亚洲精品一区二区三区| 国产色爽女视频免费观看| 色综合婷婷激情| 日韩中文字幕欧美一区二区| 人人妻人人澡欧美一区二区| 国产精品免费一区二区三区在线| 一级毛片久久久久久久久女| 青草久久国产| 蜜桃亚洲精品一区二区三区| 国产伦精品一区二区三区四那| 久久国产精品影院| 日韩中字成人| 嫩草影院精品99| 亚洲欧美日韩高清专用| 中文字幕免费在线视频6| 在线十欧美十亚洲十日本专区| 久久久久久九九精品二区国产| 亚洲av.av天堂| 亚洲黑人精品在线| 成年女人毛片免费观看观看9| 午夜免费男女啪啪视频观看 | av视频在线观看入口| 成年免费大片在线观看| 亚洲中文日韩欧美视频| 亚洲成人久久性| 琪琪午夜伦伦电影理论片6080| 日韩欧美精品免费久久 | 一区二区三区激情视频| 丁香欧美五月| 我要搜黄色片| xxxwww97欧美| 国产精品不卡视频一区二区 | 日韩欧美免费精品| 日韩 亚洲 欧美在线| 日日摸夜夜添夜夜添小说| 成人av一区二区三区在线看| 天堂动漫精品| 亚洲欧美日韩高清专用| 国内精品久久久久精免费| 亚洲中文字幕一区二区三区有码在线看| 国产精品,欧美在线| 欧美成人一区二区免费高清观看| 亚洲不卡免费看| 精品一区二区三区视频在线观看免费| 人人妻,人人澡人人爽秒播| АⅤ资源中文在线天堂| 一级毛片久久久久久久久女| 在线免费观看不下载黄p国产 | 亚洲天堂国产精品一区在线| 18+在线观看网站| 人人妻,人人澡人人爽秒播| 国产精品一及| 最近中文字幕高清免费大全6 | 亚洲av成人av| 中亚洲国语对白在线视频| 精品久久久久久成人av| .国产精品久久| 亚洲片人在线观看| 天天躁日日操中文字幕| 内地一区二区视频在线| 国产毛片a区久久久久| 婷婷色综合大香蕉| 国内毛片毛片毛片毛片毛片| 欧美在线一区亚洲| 美女高潮的动态| 国产精品99久久久久久久久| 97人妻精品一区二区三区麻豆| 狠狠狠狠99中文字幕| 国产在视频线在精品| 日韩中文字幕欧美一区二区| 在线观看一区二区三区| 国产精品精品国产色婷婷| 51国产日韩欧美| 亚洲三级黄色毛片| 不卡一级毛片| 亚洲精品色激情综合| 亚洲精品久久国产高清桃花| 欧美高清性xxxxhd video| 国产精品国产高清国产av| 美女免费视频网站| 最近中文字幕高清免费大全6 | 色哟哟·www| 成人性生交大片免费视频hd| 国产探花在线观看一区二区| 免费在线观看影片大全网站| 国产黄a三级三级三级人| 熟女人妻精品中文字幕| 日日摸夜夜添夜夜添小说| 亚洲 国产 在线| 国产黄色小视频在线观看| 欧美成人免费av一区二区三区| 亚洲专区国产一区二区| 亚洲美女视频黄频| 久久午夜福利片| 国产aⅴ精品一区二区三区波| 一进一出抽搐gif免费好疼| 88av欧美| 国产美女午夜福利| 日日摸夜夜添夜夜添av毛片 | 国产一区二区三区视频了| 露出奶头的视频| 欧美黄色淫秽网站| 国产乱人伦免费视频| 一进一出好大好爽视频| 在线观看午夜福利视频| 中文字幕久久专区| 午夜免费成人在线视频| 日日干狠狠操夜夜爽| 国产探花在线观看一区二区| 国产高潮美女av| 成人特级av手机在线观看| 精品人妻熟女av久视频| 国产在线男女| 国产男靠女视频免费网站| 日本a在线网址| 丰满人妻熟妇乱又伦精品不卡| 永久网站在线| 噜噜噜噜噜久久久久久91| 如何舔出高潮| 全区人妻精品视频| 精品久久国产蜜桃| 欧美中文日本在线观看视频| av福利片在线观看| 精品久久久久久久久av| 中文字幕免费在线视频6| 欧美激情久久久久久爽电影| 国产三级在线视频| 毛片女人毛片| 亚洲在线自拍视频| 国产精品综合久久久久久久免费| 国产三级黄色录像| 久99久视频精品免费| 国产老妇女一区| 国产伦精品一区二区三区视频9| 中国美女看黄片| 特大巨黑吊av在线直播| 亚洲va日本ⅴa欧美va伊人久久| 欧美bdsm另类| 女人十人毛片免费观看3o分钟| 观看免费一级毛片| 亚洲一区二区三区色噜噜| 亚洲熟妇熟女久久| 亚洲第一欧美日韩一区二区三区| 精品不卡国产一区二区三区| 国产一区二区亚洲精品在线观看| 成人亚洲精品av一区二区| 国产一区二区三区视频了| 美女xxoo啪啪120秒动态图 | 久久热精品热| 亚洲aⅴ乱码一区二区在线播放| 中文在线观看免费www的网站| 一区二区三区高清视频在线| 欧美在线一区亚洲| 麻豆一二三区av精品| 欧美午夜高清在线| 首页视频小说图片口味搜索| 99视频精品全部免费 在线| 欧美bdsm另类| 国内毛片毛片毛片毛片毛片| 国产麻豆成人av免费视频| 女人被狂操c到高潮| 在线十欧美十亚洲十日本专区| 香蕉av资源在线| 热99re8久久精品国产| 亚洲国产精品合色在线| 国产免费男女视频| 草草在线视频免费看| 久久九九热精品免费| 国产亚洲精品av在线| 欧美bdsm另类| 欧美日韩福利视频一区二区| 国产伦在线观看视频一区| 国产蜜桃级精品一区二区三区| 一个人观看的视频www高清免费观看| 夜夜夜夜夜久久久久| 国内精品美女久久久久久| 天堂动漫精品| 狂野欧美白嫩少妇大欣赏| 国产精品98久久久久久宅男小说| 九九热线精品视视频播放| 日韩欧美在线二视频| 亚洲av成人不卡在线观看播放网| 精品久久久久久久末码| 久久久久久久久久成人| 一二三四社区在线视频社区8| 蜜桃亚洲精品一区二区三区| 两个人的视频大全免费| 51午夜福利影视在线观看| 夜夜躁狠狠躁天天躁| 亚洲国产精品999在线| 男人和女人高潮做爰伦理| 伊人久久精品亚洲午夜| 国产高清视频在线观看网站| 欧美中文日本在线观看视频| 色哟哟哟哟哟哟| 欧美zozozo另类| 精品久久久久久久人妻蜜臀av| 久久精品国产亚洲av香蕉五月| 老司机午夜十八禁免费视频| 在线观看免费视频日本深夜| 性色av乱码一区二区三区2| 天堂网av新在线| 热99在线观看视频| 97超级碰碰碰精品色视频在线观看| 中文亚洲av片在线观看爽| 亚洲av第一区精品v没综合| 欧美最黄视频在线播放免费| 久久精品国产亚洲av香蕉五月| 成年女人毛片免费观看观看9| 网址你懂的国产日韩在线| АⅤ资源中文在线天堂| 欧美高清性xxxxhd video| 我的老师免费观看完整版| 99国产精品一区二区蜜桃av| 欧美最黄视频在线播放免费| 精品人妻视频免费看| aaaaa片日本免费| h日本视频在线播放| 麻豆国产97在线/欧美| 亚洲三级黄色毛片| 搡老岳熟女国产| 久久午夜亚洲精品久久| 一级黄色大片毛片| 亚洲国产欧美人成| 色av中文字幕| 波多野结衣高清无吗| 十八禁人妻一区二区| 激情在线观看视频在线高清| 亚洲无线在线观看| 国产高清三级在线| 男女做爰动态图高潮gif福利片| 首页视频小说图片口味搜索| 99久久久亚洲精品蜜臀av| 日韩高清综合在线| 精品福利观看| 91在线精品国自产拍蜜月| 国产激情偷乱视频一区二区| 丰满的人妻完整版| 色av中文字幕| 日韩成人在线观看一区二区三区| 18禁黄网站禁片午夜丰满| 久久热精品热| av女优亚洲男人天堂| 动漫黄色视频在线观看| 男人的好看免费观看在线视频| 日本熟妇午夜| 亚洲aⅴ乱码一区二区在线播放| 亚洲av五月六月丁香网| 国产精品久久久久久人妻精品电影| 亚洲国产精品合色在线| 欧美zozozo另类| 亚洲经典国产精华液单 | av专区在线播放| 国产欧美日韩一区二区三| 久久久国产成人精品二区| av天堂在线播放| 日韩 亚洲 欧美在线| 日本黄大片高清| 18美女黄网站色大片免费观看| 亚洲,欧美,日韩| 极品教师在线免费播放| 真人做人爱边吃奶动态| 十八禁网站免费在线| 国产大屁股一区二区在线视频| 欧美在线黄色| 国产单亲对白刺激| 最好的美女福利视频网| 狂野欧美白嫩少妇大欣赏| 悠悠久久av| 一本一本综合久久| 麻豆成人av在线观看| 一个人观看的视频www高清免费观看| 两性午夜刺激爽爽歪歪视频在线观看| 中文字幕熟女人妻在线| 午夜视频国产福利| 天堂√8在线中文| 淫妇啪啪啪对白视频| 黄片小视频在线播放| 级片在线观看| 他把我摸到了高潮在线观看| 久久精品国产亚洲av天美| 搡女人真爽免费视频火全软件 | 美女被艹到高潮喷水动态| 久久精品影院6| 国产探花在线观看一区二区| 亚洲国产欧洲综合997久久,| 免费在线观看日本一区| 亚洲内射少妇av| 啦啦啦观看免费观看视频高清| 我的女老师完整版在线观看| 在线播放国产精品三级| 久久精品夜夜夜夜夜久久蜜豆| 国产久久久一区二区三区| 亚洲片人在线观看| 亚洲国产精品久久男人天堂| 婷婷六月久久综合丁香| 内地一区二区视频在线| 国产高清激情床上av| 欧洲精品卡2卡3卡4卡5卡区| 国产伦精品一区二区三区视频9| 欧洲精品卡2卡3卡4卡5卡区| 久久久成人免费电影| 亚洲天堂国产精品一区在线| 我的女老师完整版在线观看| 国产成人a区在线观看| 长腿黑丝高跟| 啦啦啦观看免费观看视频高清| 亚洲激情在线av| 九色国产91popny在线| 88av欧美| a级毛片免费高清观看在线播放| 国产在线男女| 嫩草影院精品99| 欧美日韩国产亚洲二区| 男女之事视频高清在线观看| 欧美精品啪啪一区二区三区| 日本a在线网址| 欧美日韩瑟瑟在线播放| 亚洲aⅴ乱码一区二区在线播放| 白带黄色成豆腐渣| 中国美女看黄片| 国产精品久久久久久久电影| 毛片女人毛片| 1000部很黄的大片| bbb黄色大片| 日韩精品青青久久久久久| 亚洲成a人片在线一区二区| 少妇人妻一区二区三区视频| 首页视频小说图片口味搜索|