基于深度學習的目標檢測算法綜述

陳輝東 丁小燕 劉艷霞

[摘 要] 目標識別和定位是計算機視覺領(lǐng)域研究的主要問題，圖像分割、目標跟蹤、目標行為分析等都是以圖像中的目標檢測為基礎(chǔ)的。隨著深度學習技術(shù)的發(fā)展，目標檢測算法取得了巨大突破。在廣泛調(diào)研相關(guān)文獻的基礎(chǔ)上，對目標檢測算法進行分析和對比，分別研究基于區(qū)域提取的兩階段目標檢測架構(gòu)和直接位置回歸的一階段目標檢測架構(gòu)的本質(zhì)特點和發(fā)展過程，并提出未來的發(fā)展方向。

[關(guān)鍵詞] 目標檢測;深度學習;卷積神經(jīng)網(wǎng)絡(luò)

[中圖分類號] TP 391.4 ?[文獻標志碼] A ?[文章編號] 1005-0310（2021）03-0039-08

Abstract： ?Target recognition and localization are the main research issues in the field of computer vision. Image segmentation， target tracking， target behavior analysis are all based on target detection in images. With the development of deep learning technology， target detection algorithm has made a great breakthrough. On the basis of extensive research on relevant literature， this paper analyzes and compares the target detection algorithm， respectively studies the essential characteristics and development process of two-stage target detection architecture based on region extraction and one-stage target detection architecture based on direct location regression， and puts forward the direction for future development.

Keywords： Target detection;Deep learning;Convolutional neural networks

0 引言

目標檢測包括分類（Classification）和定位（Location）兩方面。目標檢測應(yīng)用領(lǐng)域廣泛，包括人臉檢測、行人檢測、車輛檢測等。由于檢測物體形狀各異，實際場景存在背景復(fù)雜、遮擋嚴重及光照影響等問題，設(shè)計高精度的檢測模型具有很大挑戰(zhàn)。傳統(tǒng)的目標檢測算法分為3個步驟，如圖1所示。

1）候選區(qū)域選擇：通常使用滑動窗口（Sliding Windows，SW）算法，通過不同大小的滑窗在輸入圖像上劃定目標可能存在的區(qū)域，對目標進行初步定位。

2）特征提?。菏褂镁植慷的Ｊ剑↙ocal Binary Pattern，LBP）、方向梯度直方圖（Histogram of Oriented Gradient，HOG）等算法對候選區(qū)域進行特征提取。

3）分類：通過支持向量機（Support Vector Machines，SVM）、Adaboost等算法對提取的圖像特征進行分類。

傳統(tǒng)目標檢測算法沒有針對性地使用滑動窗口去檢測目標，不僅效率低，準確率也不高，而且人工選擇的特征對于形狀各異的不規(guī)則物體魯棒性較差[1-5]。隨著深度學習技術(shù)的發(fā)展，利用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）[6]提取圖像特征，從而實現(xiàn)目標檢測，已成為機器視覺領(lǐng)域研究的熱點之一。

目前，基于深度學習的目標檢測方法主要有兩大分支，分別是基于區(qū)域提取的兩階段目標檢測模型和直接進行位置回歸的一階段目標檢測模型。

1 兩階段目標檢測

區(qū)域提取算法的核心是卷積神經(jīng)網(wǎng)絡(luò)CNN，具有局部連接和權(quán)值共享優(yōu)勢，在物體分類應(yīng)用中具有很好的魯棒性[6]。區(qū)域提取操作首先利用CNN骨干網(wǎng)提取圖像特征，然后從特征圖中找出可能存在的前景目標（候選區(qū)域），最后在候選區(qū)域上進行滑動窗口操作，進一步判斷目標類別和位置信息，這大大減少了計算的時間復(fù)雜度。

1.1 R-CNN

Region CNN（R-CNN）[7]由Ross Girshick提出，是基于深度學習目標檢測的開山之作。該算法在VOC2007數(shù)據(jù)集上的所有類別的平均精準度（mean Average Precision，mAP）達到66%，突破了多年以來可變型部件模型（Deformable Part Model，DPM）方法無法逾越的瓶頸，顯著提升了檢測率。R-CNN算法主要分為4步，如圖2所示。

1）輸入訓(xùn)練集圖像。

2）采用選擇性搜索（Selective Search，SS）算法從待檢測圖像中找出2k個區(qū)域候選框，并縮放成227×227的固定大小，這些候選框大概率包含要檢測的目標。

3）通過CNN骨干網(wǎng)提取每個候選框的圖像特征，會得到固定長度的特征向量。

4）把特征向量同時送入SVM分類器和全連接網(wǎng)絡(luò)，分別進行分類和位置回歸，輸出分類概率和對應(yīng)位置的坐標信息。

R-CNN首先通過SS算法提取2k個左右的感興趣區(qū)域（Region of Interest， RoI），再對感興趣區(qū)域進行特征提取，相比全局無差別的滑窗操作，其效率和準確率都提高了很多，但也存在一些缺陷。比如，對2k個感興趣區(qū)域分別通過CNN網(wǎng)絡(luò)提取特征，彼此之間的權(quán)值無法共享，存在重復(fù)計算;對2k個左右的候選區(qū)域分別進行特征提取、目標分類和位置回歸，生成的中間數(shù)據(jù)需要單獨保存，還會消耗過多的存儲資源;對輸入的圖像必須強制縮放成固定大小，會導(dǎo)致目標物體產(chǎn)生變形，影響檢測準確率。針對重復(fù)計算和輸入圖片固定大小的問題，SPP-NET[8]給出了解決方案。

1.2 SPP-NET

SPP-NET是由Kaiming He等在R-CNN的基礎(chǔ)上提出的。在R-CNN網(wǎng)絡(luò)中，第一個全連接層的輸入需要固定的大小，但是卷積層對輸入尺寸并無要求。因此，只要在最后一個卷積層和第一個全連接層之間做些處理，保證輸入全連接層的尺寸一致即可解決輸入圖像尺寸受限的問題。SPP-NET在最后一個卷積層之后加入空間金字塔池化（Spatial Pyramid Pooling，SPP）層[8]，在SPP 層中對Conv5層輸出的特征圖采用3個不同尺度的池化核進行池化操作，分別得到16×256、4×256和1×256維的特征向量，再把該層輸出結(jié)果進行拼接，就可得到固定長度為5 376的輸出。SPP 層結(jié)構(gòu)圖如圖3所示。

與R-CNN相同，SPP-NET也需要預(yù)先生成候選區(qū)域，但輸入CNN特征提取網(wǎng)絡(luò)的不再是2k個左右的候選區(qū)域，而是包含所有候選區(qū)域的整張圖像，只需通過一次卷積網(wǎng)絡(luò)即可得到整張圖像和所有候選區(qū)域的特征。這大大減小了計算的時間復(fù)雜度，速度比R-CNN提高了100倍左右。

1.3 Fast R-CNN

Fast R-CNN借鑒SPP-NET中的特征金字塔思想，對R-CNN網(wǎng)絡(luò)進行了改進，檢測性能獲得提升[9]。不同于SPP-NET采用3個尺度的池化核，研究者提出的RoI Pooling把各種尺寸的候選區(qū)域特征圖映射成統(tǒng)一尺度的特征向量，如圖4所示。

首先，將不同大小的候選區(qū)域都切分成M×N塊，再對每塊都進行max pooling得到1個值。這樣，所有候選區(qū)域特征圖就都統(tǒng)一成M×N維的特征向量了。

此外，研究者還提出了多任務(wù)模型，即同時訓(xùn)練分類任務(wù)和位置回歸任務(wù)，并共享卷積特征，進一步提高了模型訓(xùn)練速度，如表1所示。

可以看出，R-CNN訓(xùn)練用時是Fast R-CNN的8.8倍，R-CNN每幅圖像的測試用時是Fast R-CNN的146倍，F(xiàn)ast R-CNN的檢測速度獲得很大提升。Fast R-CNN存在的問題是，利用SS算法產(chǎn)生候選框?qū)r間消耗非常大。為解決這個問題，Ren等人于2015年提出了Faster R-CNN。

1.4 Faster R-CNN

SPP-NET和Fast R-CNN都需要單獨生成候選區(qū)域，無法進行端到端的訓(xùn)練，計算量很大且無法用圖形處理器（Graphics Processing Unit，GPU）進行加速。針對這個問題，Ren等人于2015年設(shè)計了區(qū)域生成網(wǎng)絡(luò)（Region Proposal Network，RPN），提出Faster R-CNN[10]模型。

Faster R-CNN模型的輸入圖像不再通過SS提取候選區(qū)域，而是先用CNN骨干網(wǎng)提取圖像特征，這極大地提高了網(wǎng)絡(luò)的實時性。經(jīng)過骨干網(wǎng)提取的特征圖由RPN網(wǎng)絡(luò)和后續(xù)的檢測器共享，特征圖進入RPN網(wǎng)絡(luò)后，對每個特征點預(yù)設(shè)9個不同尺度和形狀的錨盒，計算錨盒和真實目標框的交并比和偏移量，判斷該位置是否存在目標，將預(yù)定義的錨盒分為前景或背景，再根據(jù)偏差損失訓(xùn)練RPN網(wǎng)絡(luò)，進行位置回歸，修正RoI的位置，最后將修正的RoI傳入后續(xù)網(wǎng)絡(luò)。

RPN網(wǎng)絡(luò)輸出的推薦框RoI就是從特征圖（CNN骨干網(wǎng)從原始圖像中提取的）中檢測出的潛在目標，將不同大小的RoI進行RoI Pooling后，得到固定大小的特征向量，輸入到后續(xù)的全連接網(wǎng)絡(luò)，對前景目標再次進行目標細分類和位置回歸，得出最終檢測結(jié)果，如圖5所示。

Faster R-CNN只利用CNN骨干網(wǎng)提取一次特征，實現(xiàn)了RPN網(wǎng)絡(luò)和檢測頭（進行分類和位置回歸的全連接層）的權(quán)值共享，不僅降低了計算復(fù)雜度，而且實現(xiàn)了端到端的訓(xùn)練。但是，F(xiàn)aster R-CNN 在檢測過程中，RPN網(wǎng)絡(luò)需要對目標進行一次回歸篩選以區(qū)分前景和背景目標，后續(xù)檢測網(wǎng)絡(luò)對RPN輸出的RoI再一次進行細分類和位置回歸，兩次計算導(dǎo)致模型參數(shù)量大，使模型精度提高的同時，目標識別速度很難進一步提升。

1.5 Mask R-CNN

2017年，Kaiming He等在Faster R-CNN中增加了并行的mask分支——小型全連接卷積網(wǎng)絡(luò)（Fully Convolutional Networks for Semantic Segmentation，F(xiàn)CN）[11-12]，對每個RoI生成一個像素級別的二進制掩碼。Mask R-CNN算法擴展了Faster R-CNN，適用于像素級的細粒度圖像分割。該算法主要分兩部分：通過RPN網(wǎng)絡(luò)產(chǎn)生候選框區(qū)域;在候選框區(qū)域上利用RoI Align提取RoI特征，得到目標分類概率和邊界框預(yù)測的位置信息，同時也對每個RoI產(chǎn)生一個二進制掩碼。如圖6所示。

在Fast R-CNN中，采用RoI Pooling產(chǎn)生統(tǒng)一尺度的特征圖，這樣再映射回原圖時就會產(chǎn)生錯位，使像素之間不能精準對齊。這對目標檢測產(chǎn)生的影響相對較小，但對于像素級的分割任務(wù)，誤差就不容忽視了。Mask R-CNN中用雙線性插值解決像素點不能精準對齊的問題，即RoI Align。比如，將320×240的原始圖像映射為32×24的特征圖，需要將原始圖像中的每320/32個像素映射到特征圖中的1個像素。如果將原始圖片中32個像素映射到特征圖中，得到32×32/320=3.2個像素。RoI Pooling四舍五入得到3個像素，會產(chǎn)生像素錯位;但RoI Align使用雙線性插值可精確計算3.2個像素。在使用RoI Align代替RoI Pooling后，Mask R-CNN在目標檢測領(lǐng)域取得了出色的結(jié)果，超越了Faster R-CNN。Mask R-CNN模型靈活性較強，稍加改動即可適用于目標檢測、目標分割等多種任務(wù)，但由于繼承了Faster R-CNN的兩階段計算方法，其實時性仍不夠理想。

1.6 兩階段目標檢測對比分析

上述基于區(qū)域提取的目標檢測算法不斷發(fā)展并逐步優(yōu)化，檢測精度也不斷提高，最終實現(xiàn)了圖像實例分割。具體來說，R-CNN 率先嘗試用CNN卷積神經(jīng)網(wǎng)絡(luò)提取圖像特征，相比傳統(tǒng)手工設(shè)置特征的HOG、DPM等算法，取得了很大進步，檢測率顯著提升。SPP-NET的主要貢獻是將整張圖片輸入到卷積層提取圖像特征，并在最后一個卷積層后加入空間金字塔池化，提高了檢測速度和多尺度目標的檢測率。Fast R-CNN的主要創(chuàng)新點是讓分類任務(wù)和位置回歸任務(wù)共享卷積特征，解決了目標定位和分類同步問題，檢測速度進一步提升。Faster R-CNN提出用可訓(xùn)練的RPN網(wǎng)絡(luò)生成目標推薦區(qū)域，解決了前幾種算法無法實現(xiàn)的端到端的學習問題。Mask R-CNN則在 Faster R-CNN 的基礎(chǔ)上，將 RoI Pooling層替換成了 RoI Align層，使得特征圖和原圖的像素對齊得更精準，并新增了一個mask掩碼分支用于實例分割，解決了同時進行目標定位、分類和分割的問題。

上述基于區(qū)域提取的目標檢測方法首先產(chǎn)生感興趣區(qū)域的推薦框，再對推薦框進行分類和回歸，雖然檢測精度一直在不斷提高，但是檢測速度普遍較慢，不適合對實時性要求較高的應(yīng)用場景，其性能對比如表2所示。

為進一步提高目標檢測實時性，一些學者提出一種將目標檢測轉(zhuǎn)化到回歸問題上的簡化算法模型，在提高檢測精度的同時提高檢測速度，并分別提出了YOLO[13]和SSD[14]等一系列基于位置回歸的一階段目標檢測模型。

2 一階段目標檢測

在兩階段檢測方法不斷發(fā)展優(yōu)化的同時，一階段檢測網(wǎng)絡(luò)則從檢測實時性角度對檢測方法進行Mask R-CNNResNeXt-10111.0078.273.939.8 解決特征圖與原圖不對齊的問題，同時實現(xiàn)檢測與分割 實例分隔代價太高優(yōu)化，適用不同場景的任務(wù)。SSD（Single Shot MultiBox Detector）和YOLO（You Only Look Once）系列是一階段中的經(jīng)典方法。一階段目標檢測算法不通過中間層提取候選區(qū)域，而是在整個卷積網(wǎng)絡(luò)中進行特征提取、目標分類和位置回歸，通過一次反向計算得到目標位置和類別，在識別精度稍弱于兩階段目標檢測算法的前提下，速度有了極大的提升，這使得基于深度學習的目標檢測算法在許多對推理速度要求高的任務(wù)中得以應(yīng)用。

2.1 YOLO v1

不同于以R-CNN為代表的兩階段檢測算法，YOLO網(wǎng)絡(luò)結(jié)構(gòu)簡單，速度比Faster R-CNN快10倍左右，具有較好的實時性[15]。

該模型把輸入圖像統(tǒng)一縮放到448×448×3，再劃分為7×7個網(wǎng)格，如圖7所示。每格負責預(yù)測兩個邊界框bbox的位置和置信度。這兩個bbox對應(yīng)同一個類別，一個預(yù)測大目標，一個預(yù)測小目標。不同于Faster R-CNN的錨盒，bbox的位置不需要初始化，而是由YOLO模型在權(quán)重初始化后計算出來的，模型在訓(xùn)練時隨著網(wǎng)絡(luò)權(quán)重的更新，調(diào)整bbox的預(yù)測位置。模型在訓(xùn)練過程中通過真實目標邊界框（Ground Truth，GT）計算物體中心在哪個網(wǎng)格中，然后就由這個網(wǎng)格負責檢測該物體（跨越多個網(wǎng)格時，物體也僅由包含其中心點的網(wǎng)格負責檢測）。

該算法實時性很高，但由于把圖像粗略劃分為7×7個網(wǎng)格進行預(yù)測，對小目標的檢測效果不佳;而且每個網(wǎng)格只能預(yù)測一個類別，無法應(yīng)對多個類別的目標同時落在同一個網(wǎng)格的情況。另外，YOLO v1直接預(yù)測bbox的位置，會導(dǎo)致神經(jīng)網(wǎng)絡(luò)在訓(xùn)練初期不穩(wěn)定。

2.2 YOLO v2

YOLO v2[16]把原始圖像劃分為13×13個網(wǎng)格，并借鑒Faster R-CNN中的錨盒，通過聚類分析，確定每個網(wǎng)格設(shè)置5個錨盒，每個錨盒預(yù)測1個類別。YOLO v2通過預(yù)測錨盒和網(wǎng)格之間的偏移量進行目標位置回歸，更有利于神經(jīng)網(wǎng)絡(luò)訓(xùn)練，性能指標提升了5%左右。

另外，輸入圖像經(jīng)過多層CNN網(wǎng)絡(luò)提取特征后，較小的對象特征可能已經(jīng)不明顯甚至被忽略掉了，學者設(shè)計了passthrough層檢測細粒度特征，如圖8所示。YOLO v2把最后一個池化層之前的26×26×512的特征圖拆成4份的13×13×512，同時經(jīng)過1×1卷積和2×2池化，得到13×13×1 024的特征圖，然后把兩者拼接在一起輸出。這有利于改善小尺度目標檢測精度。

由于帶標簽的檢測數(shù)據(jù)集樣本數(shù)量較少，學者進一步提出用詞向量樹WordTree 混合COCO檢測數(shù)據(jù)集（學習目標位置回歸）和ImageNet分類數(shù)據(jù)集（學習分類特征），并使用聯(lián)合優(yōu)化技術(shù)同時在兩個數(shù)據(jù)集上進行聯(lián)合訓(xùn)練，在YOLO v2的基礎(chǔ)上實現(xiàn)了超過9 000種物體類別的檢測，稱為YOLO 9000[16]網(wǎng)絡(luò)。

2.3 SSD

SSD算法對YOLO進行了改進，提高了對小目標檢測的準確率，并保證了檢測速度。SSD保留了網(wǎng)格劃分方法，但從基礎(chǔ)網(wǎng)絡(luò)的不同卷積層提取特征，如從conv4 、conv7、conv8、conv9、conv10和conv11層輸入到后面的分類和回歸網(wǎng)絡(luò)，如圖9所示。

每層特征圖中的錨盒大小和個數(shù)都不同，conv4后的特征圖中每個特征點預(yù)設(shè)4個錨盒，conv7、conv8和conv9后的特征圖中每點預(yù)設(shè)6個錨盒，conv10和conv11后的特征圖中每點預(yù)設(shè)4個錨盒。隨著卷積層數(shù)的遞增，錨盒尺寸設(shè)置由小到大，以此提升SSD對多尺度目標的檢測精度。

2.4 YOLO v3

YOLO v3通過聚類分析[17]，每個網(wǎng)格預(yù)設(shè)3個錨盒，只用了YOLO v1和YOLO v2中darknet結(jié)構(gòu)的前52層，即沒有全連接層的部分，并大量使用殘差結(jié)構(gòu)進行跳層連接，如圖10所示。殘差結(jié)構(gòu)的基本模塊由卷積（conv）、批歸一化（BN）和Leaky Relu激活函數(shù)組成。

為了降低池化操作給梯度計算帶來的負面效果，YOLO v3直接摒棄了YOLO v2中的5次最大池化，通過在5次卷積操作時，設(shè)置stride=2來實現(xiàn)降采樣。

另外，為了提高小尺度目標檢測精度，YOLO v3通過上采樣提取深層特征，使其與將要融合的淺層特征維度相同，但通道數(shù)不同，在通道維度上進行拼接實現(xiàn)特征融合，融合了3×13×255、26×26×255和52×52×255共3個尺度的特征圖，對應(yīng)的檢測頭也都采用全卷積結(jié)構(gòu)。這樣既可以提高非線性程度，增加泛化性能及提高網(wǎng)絡(luò)精度，又能減少模型參數(shù)量，提高實時性。因為如果直接用第61層輸出的16倍降采樣特征圖進行檢測，就使用了淺層特征，效果一般;如果直接用第79層輸出的32倍降采樣特征圖進行檢測，深層特征圖又太小，不利于小目標檢測;而通過上采樣把32倍降采樣得到的特征圖尺度擴大1倍，然后和第61層輸出的16倍降采樣特征圖進行拼接（特征融合），更容易提高多尺度目標檢測的精度。

2.5 YOLO v4

YOLO v4[18]的特點是集大成者，像是檢測算法所用訓(xùn)練技巧的集合。YOLO v4在原有YOLO目標檢測架構(gòu)的基礎(chǔ)上，采用了近些年CNN領(lǐng)域中最優(yōu)秀的優(yōu)化策略，從數(shù)據(jù)處理、主干網(wǎng)絡(luò)、網(wǎng)絡(luò)訓(xùn)練、激活函數(shù)、損失函數(shù)等各個方面都進行了不同程度的優(yōu)化，在COCO數(shù)據(jù)集上的平均精度（Average Precision，AP）和檢測速率（Frame Per Second，F(xiàn)PS）分別提高了10% 和12%，被認為是當前最強的實時對象檢測模型之一。

YOLO v4是一個高效而強大的模型，使得開發(fā)者可以使用一張1080Ti或者2080Ti GPU去訓(xùn)練一個超級快速和精確的目標檢測器，降低了模型訓(xùn)練門檻。

2.6 一階段目標檢測對比分析

一階段目標檢測算法起步比兩階段目標檢測算法要晚，具有后發(fā)優(yōu)勢，可以更好地吸收前者的優(yōu)點，克服其不足之處。早期的一階段目標檢測算法雖然檢測速度較快，但檢測精度相對于兩階段檢測算法還存在較大差距。隨著目標檢測技術(shù)的快速發(fā)展，目前一階段目標檢測模型的速度和精度都有了很大的提升，其性能對比如表3所示。

3 結(jié)論與展望

總體來說，基于區(qū)域提取的兩階段目標檢測架構(gòu)準確率較高，漏檢率低，但檢測速度較慢，無法滿足對實時性要求較高或嵌入式移動平臺的應(yīng)用場景。基于位置回歸的一階段目標檢測架構(gòu)提供了另一個思路，直接進行分類和位置回歸，提高了目標檢測速度，漏檢率和檢測精度等性能也在后續(xù)版本中不斷改善。除此之外，研究人員還在此基礎(chǔ)上提出了難例樣本挖掘[19]和多層特征融合[20]等方法進一步改善模型性能。目前大量涌現(xiàn)的Tensorflow、Pytorch及國內(nèi)的JIT等深度學習框架為目標檢測提供了高效的實現(xiàn)工具。即便如此，對于檢測領(lǐng)域來講，還有很多工作需要創(chuàng)新或改進。

1）小樣本學習：上述目標檢測架構(gòu)都是基于深度神經(jīng)網(wǎng)絡(luò)的大規(guī)模模型，需要大量帶標簽的訓(xùn)練數(shù)據(jù)集才能學習到較好的性能。但獲取大量帶位置標簽的數(shù)據(jù)樣本的工作量巨大，而且很多應(yīng)用場景根本無法獲取?；谛颖镜哪繕藱z測方法引起廣大學者的研究興趣，但檢測精度還不盡如人意。借鑒支持向量機中的高階核函數(shù)，引入圖像特征的高階統(tǒng)計信息，豐富小樣本特征信息，增加特征表達能力，有望提高基于小樣本的模型檢測精度，應(yīng)該是后續(xù)研究的方向。

2）弱監(jiān)督學習：大規(guī)模的實例數(shù)據(jù)標注是一項非常昂貴且耗時的工程。將弱監(jiān)督聯(lián)合使用大規(guī)模圖像級分類和小規(guī)模實例數(shù)據(jù)標注來訓(xùn)練網(wǎng)絡(luò)模型，可大大減小標注成本，越來越多的科研人員開始關(guān)注這個研究方向。

3）3D目標檢測：在自動駕駛等領(lǐng)域，2D圖像不帶深度信息，沒辦法有效避免碰撞，業(yè)界迫切需要基于3D的目標檢測算法。盡管目前關(guān)于3D的目標檢測已有不少的研究，但在實際應(yīng)用中仍然存在很多問題。比如，對物體遮擋、截斷及周圍動態(tài)環(huán)境的健壯性問題，過于依賴物體表面紋理或結(jié)構(gòu)特征容易造成混淆的問題，算法效率問題等，還需要進一步的探究。

[參考文獻]

[1] 蔡娟， 李東新. 基于優(yōu)化k均值建模的運動目標檢測算法[J]. 國外電子測量技術(shù)， 2016， 35（12）：20-23.

[2] 何文浩， 原魁， 鄒偉. 自適應(yīng)閾值的邊緣檢測算法及其硬件實現(xiàn)[J]. 系統(tǒng)工程與電子技術(shù)， 2009， 31（1）：233-237.

[3] 何巧萍. 基于視頻圖像處理技術(shù)的運動車輛檢測算法研究及實現(xiàn)[D]. 長沙：長沙理工大學， 2006.

[4] ROSENBERG C， HEBERT M， SCHNEIDERMAN H.Semi-supervised self-training of object detection models[C]//IEEE Workshops on Application of Computer Vision. Breckenridge：WACV， 2005：29-36.

[5] VAPNIK V N. The nature of statistical learning theory[M].German：Springer， 1995.

[6] RAZAVIAN A S， AZIZPOUR H， SULLIVAN J， et al. CNN features off-the-shelf： an astounding baseline for recognition[C]//IEEE Conference on Computer Vision and Pattern Recognition Workshops. Columbus：CVPR， 2014：512-519.

[7] AGRAWAL P， GIRSHICK R， MALIK J. Analyzing the performance of multilayer neural networks for object recognition[C]// European Conference on Computer Vision. Switzerland：ECCV， 2014：329-344.

[8] BOSCH A， ZISSERMAN A， MUNOZ X. Representing shape with a spatial pyramid kernel[C]//International Conference on Image and Video Retrieval. Amsterdam：ACM， 2007：401-408.

[9] GIRSHICK R. Fast R-CNN[C]//IEEE International Conference on Computer Vision. Santiago ：ICCV， 2015： 1440-1448.

[10] REN S， HE K， GIRSHICK R， et al. Faster R-CNN： towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence， 2017，39（6）：1137-1149.

[11] HE K， GKIOXARI G， DOLLR P， et al. Mask R-CNN[C]//IEEE International Conference on Computer Vision.Venice：ICCV，2017：2980-2988.

[12] LONG J，SHELHAMER E，DARRELL T.Fully convolutional networks for semantic segmentation[C]//IEEE Conference on Computer Vision & Pattern Recognition.Las Vegas ：CVPR，2015： 3431-3440.

[13] REDMON J， DIVVALA S， GIRSHICK R， et al. You Only Look Once： unified， real-time object detection[C]//IEEE Conference on Computer Vision and Pattern Recognition.Las Vegas ：CVPR， 2016：779-788.

[14] HE K， ZHANG X， REN S， et al. Spatial pyramid pooling in deep convolutional networks for visual recognition[J].IEEE Transactions on Pattern Analysis & Machine Intelligence， 2015， 37（9）：1904-1916.

[15] 周曉彥， 王珂， 李凌燕. 基于深度學習的目標檢測算法綜述[J]. 電子測量技術(shù)， 2017，40（11）：89-93.

[16] REDMON J， FARHADI A. YOLO9000： better， faster， stronger[C]// IEEE Conference on Computer Vision & Pattern Recognition. ?Las Vegas： CVPR，2016：6517-6525.

[17] HENRIQUES J F， CARREIRA J， RUI C， et al. Beyond hard negative mining： efficient detector learning via block-circulant decomposition[C]//IEEE International Conference on Computer Vision. Sydney：ICCV， 2014：2760-2767.

[18] BOCHKOVSKIY A， WANG C Y， LIAO H . YOLOv4： optimal speed and accuracy of object detection [Z/OL].（2020-04-23）[2021-05-20]. https：//arxiv.org/abs/2004.10934.

[19] LIN T Y， GOYAL P， GIRSHICK R， et al.Focal loss for dense object detection[C] // IEEE International Conference on Computer Vision. Venice：ICCV，2017：2980-2988.

[20] 張姍，逯瑜嬌，羅大為. 基于深度學習的目標檢測算法綜述[C]// 中國計算機用戶協(xié)會網(wǎng)絡(luò)應(yīng)用分會2018年第二十二屆網(wǎng)絡(luò)新技術(shù)與應(yīng)用年會論文集. 蘇州：中國計算機用戶協(xié)會網(wǎng)絡(luò)應(yīng)用分會，2018：129-132+141.

（責任編輯 白麗媛）