• <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 ?

    基于深度學習的目標檢測與應用

    2025-03-28 00:00:00侯小燕
    科技創(chuàng)新與應用 2025年8期
    關鍵詞:目標檢測深度學習神經網絡

    摘" 要:對圖像或視頻進行目標檢測即對圖像上的目標進行定位和類別判斷,它是計算機視覺領域最基本和重要的任務之一。基于深度學習進行目標檢測的方法是當前視覺目標檢測領域的主流技術。該文回顧并分析近年來基于深度學習進行目標檢測的一些技術成果,總結提高目標檢測性能的方法并調研目標檢測在各個領域的不同應用,同時提出當前目標檢測存在的一些問題和對應的解決方法,最后針對目前存在的挑戰(zhàn)討論目標檢測的發(fā)展方向。

    關鍵詞:深度學習;目標檢測;應用;視覺領域;神經網絡

    中圖分類號:TP391" " " 文獻標志碼:A" " " " " 文章編號:2095-2945(2025)08-0021-06

    Abstract: Object detection for image or video is one of the most basic and important tasks in the field of computer vision. With the development of artificial intelligence and computer vision technology, object detection technology based on deep learning has developed rapidly, and has become the mainstream method in the field of visual object detection. This paper reviews some technical achievements of object detection based on deep learning in recent years. The methods to improve the performance of object detection is summarized, and different applications of object detection in various fields are investigated. At the same time, some problems existing in current object detection and corresponding solutions are proposed. Finally, the development direction of object detection is discussed according to the existing challenges.

    Keywords: deep learning; object detection; application; vision domain; neural network

    目標檢測是將圖像或視頻中有不同外觀、形狀、姿態(tài)和光照的不同目標進行類別區(qū)分和定位,區(qū)別于圖像分類,目標檢測不僅要求能夠識別目標類別,還需要精確地定位目標的位置。由于不同圖像或視頻上存在的目標差異、背景差異、光照和遮擋等因素的影響,目標檢測一直是計算機視覺領域的研究熱點和存在挑戰(zhàn)的問題。隨著神經網絡的發(fā)展,基于深度學習的方法成為主流的目標檢測方法。它將深度卷積網絡引入到目標檢測領域,使目標檢測取得了重大突破。區(qū)域卷積網絡R-CNN[1]是第一個將深度學習應用到目標檢測上的算法,是典型的雙階段網絡,它將目標檢測任務分為候選區(qū)域提取和分類2個子任務進行。之后逐步出現了新的網絡如Fast R-CNN[2]、Faster R-CNN[3]和SSD[4]、YOLO[5-12]系列、EfficientDet[13]、CenterNet[14]、FCOS[15]和DETR[16-23]系列等,它們的改進進一步提升了目標檢測的精度和速度,同時也加入了各種策略來輔助性能提升,使目標檢測技術取得了重大發(fā)展。

    1" 基于神經網絡的目標檢測方法

    卷積神經網絡是一種深度學習網絡,廣泛應用于圖像處理的各個領域,包括目標檢測、分割、分類、追蹤和文本識別等。它通過模擬生物的視知覺機制,利用卷積運算對圖像進行特征提取和分類,具有強大的表征學習能力和平移不變性,是深度學習領域的重要算法之一?;谏窠浘W絡的目標檢測技術的發(fā)展經歷了從雙階段到單階段,從anchor-based到anchor-free、從網絡結構大型化到輕量化的轉變,到目前為止,目標檢測的性能已取得了顯著提升。表1為基于卷積網絡的目標檢測的一些關鍵方法和分類。

    1.1" 目標檢測網絡

    1.1.1" 雙階段anchor-based網絡

    Anchor被稱為錨框或候選框,anchor-based網絡即基于錨框或候選框的網絡,首先設置目標的大概位置作為預設框,然后在這些預設框的基礎上進行篩選和微調,從而得到更準確的預測框。它的本質是加入了強先驗信息,基于anchor回歸,讓模型去預測anchor與真實邊框的偏移,比從無到有的直接擬合物體的邊框容易一些。

    anchor-based檢測框架可以分解為以下4個部分:錨框對應特征層分配標準Assignment、錨框訓練標簽分配標準Ground-truth、網絡輸出與損失函數設計Output amp; Loss和預測階段Prediction。

    雙階段檢測網絡包括2個階段:候選區(qū)域生成、候選區(qū)域分類及邊界框的回歸。在提議生成階段算法首先在輸入圖像中生成一系列可能包含某些對象的候選區(qū)域,這一階段通常利用選擇性搜索或區(qū)域提議網絡(Region Proposal Network, RPN)來完成。在提議分類階段,算法對第一階段生成的每個候選區(qū)域進行對象類別預測和更精確的邊界框回歸。典型的雙階段anchor-based網絡有R-CNN、Fast R-CNN、Faster R-CNN等。3種網絡主要結構對比見表2。

    1.1.2" 單階段anchor-based網絡

    區(qū)別于雙階段網絡,單階段網絡通過一個階段完成目標的類別預測和邊界框回歸,從而簡化了檢測流程,實現更快的檢測推理速度。單階段anchor-based網絡在單一前向傳播中完成目標檢測任務,無須生成候選區(qū)域,它們通過密集的錨框直接預測目標的類別和位置。典型的單階段anchor-based網絡包括SSD、YOLO系列(YOLOX、YOLOv6、YOLOv8和YOLOv9除外)、RetinaNet和EfficientDet等[4-13,24]。

    YOLO系列的網絡經歷了從YOLOv1到YOLOv9的發(fā)展歷程,在速度和準確性上取得了非常大的提升。RetinaNet[24]采用ResNet50作為特征提取backbone,自頂向下的特征金字塔網絡FPN為特征融合模塊,最后從不同尺度的特征層上引出并行的分類和位置檢測頭來檢測不同大小的目標。EfficientDet[13]對網絡寬度width、深度depth和分辨率resolution這3個維度進行復合縮放,可以對網絡各個模塊的分辨率、深度和寬度進行統(tǒng)一縮放,同時引入雙向加權特征金字塔BiFPN。anchor-based由于加入了人為先驗分布,同時在訓練的時候預測的值域變化范圍實際上較小,所以anchor-based的網絡更加容易訓練也更加穩(wěn)定。

    1.1.3" anchor-free網絡

    由于anchor-based結構本身存在一些問題:由于錨框的選擇存在尺寸、寬高比與數量等很多超參,檢測結果對于anchor設計的先驗prior比較依賴,固定參數的選擇又會降低模型的泛化能力;密集的錨框設計會造成正負樣本嚴重不均衡問題,且導致計算成本增加;訓練時需要設定IOU閾值,檢測精度對閾值設置較為敏感。為解決上述問題,anchor-free網絡應運而生。它們的區(qū)別在于是否使用預定義的anchor框來匹配真實的目標框。anchor-free網絡不依賴預定義的錨框,而是直接在特征圖上預測目標的位置和大小,它通常通過關鍵點檢測、中心點預測、逐像素等方式來實現目標檢測。經典的anchor-free網絡包括CornerNet、CenterNet和FCOS等。anchor-free本質上是一種密集預測的方法,它的缺點是收斂比較慢,且容易產生更多假陽,同時由于每個位置只預測一個框,可能會導致一些重疊或遮擋區(qū)域無法被檢測到。

    1.1.4" 基于transformer的改進網絡

    相較于傳統(tǒng)的卷積神經網絡,transformer的特征學習和表示能力更加強大,因此出現很多基于transformer框架改進的目標檢測網絡,最典型的比如DETR、Deformable DETR、Conditional DETR、Conditional DETR V2、Co-DETR、DAB-DETR、DN-DETR和DINO[16-23]等。此外還有其他一些基于transformer的改進檢測網絡,transformer在抽取時空表征關系上的巨大優(yōu)勢使其在視覺目標檢測上也效果顯著。

    1.1.5" 輕量化檢測網絡

    基于神經網絡的目標檢測方法在精度上能達到較高指標,但由于存儲空間和功耗限制,這些模型在嵌入設備或移動端的存儲與計算仍然存在巨大挑戰(zhàn)。為了降低模型存儲,加快訓練和推理速度,減小硬件功耗,很多研究者提出了輕量化的網絡結構,也出現了一些其他方法,如對大模型進行量化、剪枝、蒸餾等操作來減小模型參數量,從而提高移動端模型部署的成功率。輕量化檢測網絡通常采用輕量化結構的網絡作為backbone和neck,現有的輕量化backbone如MobileNet系列、MnasNet、GhostNet和ShuffleNet系列等。此外,也存在通過降低網絡的寬度、深度和分辨率來減小網絡的結構,如tinyYOLO、nanoDet[31]等。

    1.2" 性能提升方法

    神經網絡可以通過大量技巧tricks去優(yōu)化訓練效果,從而使檢測任務得到不錯的精度。本文介紹一些tips來提升網絡訓練的性能,其中某些tricks并不是網絡訓練的必要過程,而是一些啟發(fā)式建議。

    網絡結構合理正確,根據數據集設置合理的網絡大小和結構。

    訓練數據和標簽準確,剔除無效和低質量數據,數據類別均衡。

    圖像增強,如翻轉、旋轉、形變變換、加噪、濾波、光照、顏色變換、裁剪、縮放和融合等。

    使用合適的學習率策略,如warmup,采用學習率預熱加線性衰減的調度策略使得模型既能快速進入最優(yōu)解的鄰域并進行細致探索。

    采用dropout正則化防止過擬合。

    合理的batchsize設置能加速網絡收斂。

    進行難例挖掘,離線難例挖掘如TopK Loss和難分負樣本挖掘Hard Negative Mining(HNM),在線難例挖掘如OHEM,在訓練過程中動態(tài)地選擇一些具有高損失的樣本作為訓練樣本。

    多尺度訓練和測試,輸入不同尺度的圖片進行模型訓練能提高網絡精度。

    數據集較小時可以使用交叉驗證。

    隨機權值平均通過平均多個模型參數來改善模型的訓練和泛化能力。

    激活函數選擇,采用GELU和Swish激活函數梯度更加平滑,使輸出的概率分別更加平滑,能夠自適應地調整輸入信號的流動。

    使用注意力機制提升網絡特征提取能力。

    2" 目標檢測的應用和挑戰(zhàn)

    目標檢測網絡由于其出色的性能在很多領域得到了應用,如安防、醫(yī)療、交通、商業(yè)、金融和教育等方向。主要應用的內容有行人檢測、自動駕駛領域的檢測、人臉檢測、醫(yī)學影像檢測、遙感目標檢測、商品檢測和文本檢測等。

    行人檢測在視頻監(jiān)控、智能駕駛、機器人和安防等領域起著非常重要的作用[34-35]。目前常用行人檢測方法如Faster R-CNN、SSD和YOLO系列在質量較好的數據上都能取得不錯的效果。但行人檢測由于遮擋問題、行人無規(guī)則運動、行人姿態(tài)變化、密集檢測、天氣條件、小目標檢測和背景復雜等問題存在一定挑戰(zhàn)。

    自動駕駛領域的檢測用于檢測和識別路上的車輛、行人、交通信號、車道線、路牌和障礙物等,以輔助智能化駕駛決策[36-37]。如根據目標識別的遠近來輔助決定是否剎車、識別并跟蹤前輛車的行為來保持與前輛車的安全距離,也可以進行內部監(jiān)控,如司機是否進行疲勞駕駛、是否接打電話等。

    人臉檢測和識別在金融、商業(yè)、教育和安防等領域有著廣泛的應用,例如解鎖手機、商店刷臉支付、機場身份驗證、銀行身份驗證和罪犯驗證等。目前常用的人臉檢測網絡有MTCNN[38]、retinaface[39]以及其他一些目標檢測網絡如YOLO系列、SSD和anchor-free的目標檢測網絡。但由于人臉的姿態(tài)、大小、光照、表情復雜、遮擋和畸變等問題,人臉檢測和識別也存在一定挑戰(zhàn)。

    目標檢測也用于醫(yī)療領域的識別和診斷,如胸外、泌尿、骨類和血管類等很多領域的影像處理。目前常用基于深度學習的醫(yī)學目標檢測網絡有NNDection[40]、MedYOLO[41]等。由于某些器官或病灶在單一模態(tài)圖如計算機斷層CT或者核磁共振成像MRI等上不能清晰顯影,檢測任務常常需要基于多模態(tài)進行,很多學者也提出了多模態(tài)檢測網絡[42-43],利用多模態(tài)數據特征充分提高目標檢測精度。醫(yī)學圖像檢測的難點在于:數據獲取和標注困難,不同品牌、不同機器參數設置不同導致CT或MRI等圖像灰度變化范圍大且不一致。

    自然語言處理NLP方面,文本檢測是NLP處理的基礎。文本檢測廣泛應用于各個領域,如零售商標檢測、快遞條碼檢測、車牌文字檢測和文字識別等。目前常用的文本檢測網絡有CTPN、SegLink、EAST、DBNet和ABCNet[44-47]等。文本檢測也存在一定挑戰(zhàn):文本大小不一致,文本由于顏色、大小、形狀、字體、傾斜、語言以及長度等存在多樣性,自然場景中的文本缺乏通用性,光照條件不定,背景復雜,字符粘連和斷字,遮擋和模糊等。

    許多研究基于深度學習的檢測方法對遙感圖上通用的對象類別如道路、建筑物、樹木、車輛、船舶、機場、飛機和市區(qū)等進行檢測[48],并取得了良好的效果。但遙感圖像因存在分辨率巨大、大小目標分布不一致、目標被云霧等遮擋、數據量較少和閾值不同等問題導致檢測也存在一定挑戰(zhàn)。

    目標檢測網絡也應用在其他很多方面,如超市商品檢測并打印價格,智慧工地進行如安全帽檢測、煙火檢測和進入危險區(qū)域報警等;目標檢測可以進行圖像搜索,進行特定場景下人數統(tǒng)計,進行圖像自動標注、進行目標跟蹤,輔助目標分割和分類,輔助身份驗證,輔助其他相關的識別等。圖1為目標檢測在不同場景下的應用示例。

    3" 結論

    本文對基于深度學習的目標檢測網絡進行了分類總結和對比,給出了目標檢測網絡的一些訓練技巧;調研了目標檢測在諸如行人檢測、自動駕駛領域的檢測、人臉檢測、醫(yī)學影像檢測、遙感目標檢測、文本檢測和其他檢測等中的應用,并分析了各個應用目前存在的挑戰(zhàn)。針對小目標和目標比例特殊、圖像拍攝角度變化大、光照不好、遮擋、模糊和背景復雜等問題以及模型大小和實時檢測速度等問題,目標檢測網絡在盡可能朝能克服這些問題的方向改進,比如用動態(tài)視頻序列圖像代替單幀圖對存在模糊、遮擋、截斷等問題的圖像進行目標檢測,比如利用雙目相機獲取深度信息輔助檢測,比如提升小目標檢出率的一些tricks,比如減小模型大小并加快推理速度來滿足實時性的需求。隨著大模型的發(fā)展,也可能出現更通用的目標檢測大模型。目標檢測未來的發(fā)展將具有更快的速度、更高的精度、更強的魯棒和泛化性,并最終將應用于人們生活的方方面面。

    參考文獻:

    [1] GIRSHICK R, DONAHUE J, DARRELL T, et al. Rich feature hierarchies for accurate object detection and semantic segmentation[C]//In Proceedings of the IEEE conference on computer vision and pattern recognition,2014:580-587.

    [2] GIRSHICK R. Fast r-cnn[C]//In Proceedings of the IEEE international conference on computer vision,2015:1440-1448.

    [3] REN S, HE K, GIRSHICK R, et al. Faster r-cnn: Towards real-time object detection with region proposal networks[J]. Advances in neural information processing systems, 2015(28).

    [4] LIU W, ANGUELOV D, ERHAN D, et al. Ssd: Single shot multibox detector[J]. In Computer Vision-ECCV 2016: 14th European Conference, Amsterdam, The Netherlands October 11-14 2016 Proceedings, 2016, Part I(14):21-37.

    [5] REDMON J, DIVVALA S, GIRSHICK R, et al. You only look once: Unified, real-time object detection[C]//In Proceedings of the IEEE conference on computer vision and pattern recognition,2016:779-788.

    [6] REDMON J, FARHADI A. YOLO9000: better, faster, stronger[C]//In Proceedings of the IEEE conference on computer vision and pattern recognition,2017:7263-7271.

    [7] REDMON J, FARHADI A. Yolov3: An incremental improvement[J]. InComputer vision and pattern recognition 2018(1804):1-6.

    [8] BOCHKOVSKIY A, WANG C Y, LIAO H Y. Yolov4: Optimal speed and accuracy of object detection[J]. arxiv preprint arxiv:2004.10934,2020.

    [9] GE Z, LIU S, WANG F, et al. Yolox: Exceeding yolo series in 2021[J]. arxiv preprint arxiv:2107.08430,2021.

    [10] LI C, LI L, JIANG H, et al. YOLOv6: A single-stage object detection framework for industrial applications[J]. arxiv preprint arxiv:2209.02976,2022.

    [11] WANG C Y, BOCHKOVSKIY A, LIAO H Y. YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors[C]//In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition,2023:7464-7475.

    [12] WANG C Y, YEH I H, LIAO H Y. Yolov9: Learning what you want to learn using programmable gradient information[J]. arxiv preprint arxiv:2402.13616,2024.

    [13] TAN M, PANG R, LE Q V. Efficientdet: Scalable and efficient object detection[C]//In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition,2020:10781-10790.

    [14] DUAN K, BAI S, XIE L, et al. Centernet: Keypoint triplets for object detection[C]//In Proceedings of the IEEE/CVF international conference on computer vision, 2019:6569-6578.

    [15] TIAN Z, CHU X, WANG X, et al. Fully convolutional one-stage 3d object detection on lidar range images[J]. Advances in Neural Information Processing Systems,2022 (35):34899-34911.

    [16] CARION N, MASSA F, SYNNAEVE G, et al. Zagoruyko S. End-to-end object detection with transformers[C]//In European conference on computer vision,2020 (Aug23):213-229.

    [17] ZHU X, SU W, LU L, et al. Deformable detr: Deformable transformers for end-to-end object detection[J]. arxiv 2020. arxiv preprint arxiv:2010.04159,2010.

    [18] MENG D, CHEN X, FAN Z, et al. Conditional detr for fast training convergence[C]//In Proceedings of the IEEE/CVF international conference on computer vision,2021:3651-3660.

    [19] CHEN X, WEI F, ZENG G, et al. Conditional detr v2: Efficient detection transformer with box queries[J]. arxiv preprint arxiv:2207.08914,2022.

    [20] ZONG Z, SONG G, LIU Y. Detrs with collaborative hybrid assignments training[C]//In Proceedings of the IEEE/CVF international conference on computer vision,2023:6748-6758.

    [21] LIU S, LI F, ZHANG H, et al. Dab-detr: Dynamic anchor boxes are better queries for detr[J]. arxiv preprint arxiv:2201.12329,2022.

    [22] LI F, ZHANG H, LIU S, et al. Dn-detr: Accelerate detr training by introducing query denoising[C]//In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition,2022:13619-13627.

    [23] ZHANG H, LI F, LIU S, et al. Dino: Detr with improved denoising anchor boxes for end-to-end object detection[J]. arxiv preprint arxiv:2203.03605,2022.

    [24] LIN T Y, GOYAL P, GIRSHICK R, et al. Focal loss for dense object detection[C]//In Proceedings of the IEEE international conference on computer vision,2017:2980-2988.

    [25] LAW H, DENG J. Cornernet: Detecting objects as paired keypoints[C]//In Proceedings of the European conference on computer vision (ECCV),2018:734-750.

    [26] HOWARD A G, ZHU M, CHEN B, et al. Mobilenets: Efficient convolutional neural networks for mobile vision applications[J]. arxiv preprint arxiv:1704.04861,2017.

    [27] SANDLER M, HOWARD A, ZHU M, et al. Mobilenetv2: Inverted residuals and linear bottlenecks[C]//In Proceedings of the IEEE conference on computer vision and pattern recognition,2018:4510-4520.

    [28] HOWARD A, SANDLER M, CHU G, et al. Searching for mobilenetv3[C]//In Proceedings of the IEEE/CVF international conference on computer vision,2019:1314-1324.

    [29] TAN M, CHEN B, PANG R, et al. Mnasnet: Platform-aware neural architecture search for mobile[C]//In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition,2019:2820-2828.

    [30] HAN K, WANG Y, TIAN Q, et al. Ghostnet: More features from cheap operations[C]//In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition,2020:1580-1589.

    [31] LYU R. Super fast and lightweight anchor-free object detection model[J]. real-time on mobile devices,2020.

    [32] ZHANG X, ZHOU X, LIN M, et al. Shufflenet: An extremely efficient convolutional neural network for mobile devices[C]//In Proceedings of the IEEE conference on computer vision and pattern recognition,2018:6848-6856.

    [33] MA N, ZHANG X, ZHENG H T, et al. Shufflenet v2: Practical guidelines for efficient cnn architecture design[C]// In Proceedings of the European conference on computer vision (ECCV),2018:116-131.

    [34] DOLLAR P, WOJEK C, SCHIELE B, et al. Pedestrian detection: An evaluation of the state of the art[J]. IEEE transactions on pattern analysis and machine intelligence, 2011, 34(4):743-761.

    [35] BRUNETTI A, BUONGIORNO D, TROTTA G F, et al. Computer vision and deep learning techniques for pedestrian detection and tracking: A survey[J]. Neurocomputing, 2018, 26(300):17-33.

    [36] LI C, CAO Y, PENG Y. Research on automatic driving target detection based on YOLOv5s[J]. In Journal of Physics: Conference Series,2022, 2171(1):012047.

    [37] SHARMA M, GUPTA A K. An algorithm for target detection, identification, tracking and estimation of motion for passive homing missile autopilot guidance[J]. InMobile Radio Communications and 5G Networks: Proceedings of MRCN,2020, 2021:57-71.

    [38] ZHANG K, ZHANG Z, LI Z, et al. Joint face detection and alignment using multitask cascaded convolutional networks[J]. IEEE signal processing letters. 2016, 23(10):1499-1503.

    [39] DENG J, GUO J, ZHOU Y, et al. Retinaface: Single-stage dense face localisation in the wild[J]. arxiv preprint arxiv:1905.00641,2019.

    [40] BAUMGARTNER M, J?魨GER P F, ISENSEE F, et al. nnDetection: a self-configuring method for medical object detection[J]. InMedical Image Computing and Computer Assisted Intervention-MICCAI 2021: 24th International Conference, Strasbourg, France, September 27-October 1, 2021, Proceedings, 2021, Part V(24):530-539.

    [41] SOBEK J, MEDINA I J, MEDINA I B, et al. MedYOLO: A Medical Image Object Detection Framework[J]. Journal of Imaging Informatics in Medicine,2024(6):1-9.

    [42] CHARRON O, LALLEMENT A, JARNET D, et al. Automatic detection and segmentation of brain metastases on multimodal MR images with a deep convolutional neural network[J]. Computers in biology and medicine,2018, 1(95):43-54.

    [43] LI M, KUANG L, XU S, et al. Brain tumor detection based on multimodal information fusion and convolutional neural network[J]. IEEE access,2019,9(7):180134-180146.

    [44] SHI B, BAI X, BELONGIE S. Detecting oriented text in natural images by linking segments[C]//In Proceedings of the IEEE conference on computer vision and pattern recognition,2017:2550-2558.

    [45] ZHOU X, YAO C, WEN H, et al. East: an efficient and accurate scene text detector[C]//In Proceedings of the IEEE conference on Computer Vision and Pattern Recognition,2017:5551-5560.

    [46] LIAO M, WAN Z, YAO C, et al. Real-time scene text detection with differentiable binarization[J]. In Proceedings of the AAAI conference on artificial intelligence,2020, 34(7):11474-11481.

    [47] LIU Y, CHEN H, SHEN C, et al. Abcnet: Real-time scene text spotting with adaptive bezier-curve network[C]// In proceedings of the IEEE/CVF conference on computer vision and pattern recognition,2020:9809-9818.

    [48] LI Z, WANG Y, ZHANG N, et al. Deep learning-based object detection techniques for remote sensing images: A survey[J]. Remote Sensing,2022, 14(10):2385.

    猜你喜歡
    目標檢測深度學習神經網絡
    神經網絡抑制無線通信干擾探究
    電子制作(2019年19期)2019-11-23 08:42:00
    視頻中目標檢測算法研究
    軟件(2016年4期)2017-01-20 09:38:03
    行為識別中的人體運動目標檢測方法
    MOOC與翻轉課堂融合的深度學習場域建構
    大數據技術在反恐怖主義中的應用展望
    深度學習算法應用于巖石圖像處理的可行性研究
    軟件導刊(2016年9期)2016-11-07 22:20:49
    基于深度卷積網絡的人臉年齡分析算法與實現
    軟件工程(2016年8期)2016-10-25 15:47:34
    移動機器人圖像目標識別
    基于神經網絡的拉矯機控制模型建立
    重型機械(2016年1期)2016-03-01 03:42:04
    基于P3電位的目標檢測研究
    科技視界(2016年4期)2016-02-22 13:09:19
    亚洲国产精品999在线| 51午夜福利影视在线观看| 桃红色精品国产亚洲av| 久久伊人香网站| 熟妇人妻久久中文字幕3abv| 亚洲av成人不卡在线观看播放网| 国产一区二区在线av高清观看| 久久精品成人免费网站| 国内久久婷婷六月综合欲色啪| 女人爽到高潮嗷嗷叫在线视频| 欧美一区二区精品小视频在线| 久久婷婷人人爽人人干人人爱| 性色av乱码一区二区三区2| 日韩有码中文字幕| 精品国内亚洲2022精品成人| 成人av一区二区三区在线看| 国产一区二区在线av高清观看| 日本一二三区视频观看| 99热这里只有是精品50| 在线观看66精品国产| 国产不卡一卡二| 亚洲狠狠婷婷综合久久图片| 午夜老司机福利片| 一级毛片精品| 人妻夜夜爽99麻豆av| 1024香蕉在线观看| 两性夫妻黄色片| 久久精品国产99精品国产亚洲性色| 国产日本99.免费观看| 亚洲国产欧美一区二区综合| 亚洲精品色激情综合| 亚洲成人中文字幕在线播放| 美女免费视频网站| 精品久久久久久,| 亚洲专区中文字幕在线| 欧美一区二区精品小视频在线| 国产午夜福利久久久久久| 中文亚洲av片在线观看爽| 在线a可以看的网站| 国产精品久久久久久久电影 | 中亚洲国语对白在线视频| 免费搜索国产男女视频| 久久天躁狠狠躁夜夜2o2o| 午夜a级毛片| 香蕉国产在线看| 欧美日韩亚洲国产一区二区在线观看| svipshipincom国产片| netflix在线观看网站| av福利片在线观看| 亚洲国产高清在线一区二区三| 久久久国产欧美日韩av| АⅤ资源中文在线天堂| а√天堂www在线а√下载| 国产精品美女特级片免费视频播放器 | 午夜福利18| 亚洲片人在线观看| 国产精品精品国产色婷婷| 这个男人来自地球电影免费观看| 一级作爱视频免费观看| 99久久综合精品五月天人人| 午夜久久久久精精品| 国产99久久九九免费精品| 亚洲成av人片在线播放无| 老熟妇乱子伦视频在线观看| 全区人妻精品视频| 国产精品久久久久久亚洲av鲁大| av中文乱码字幕在线| 亚洲全国av大片| 精品人妻1区二区| 国产成人系列免费观看| 草草在线视频免费看| 亚洲激情在线av| 久久香蕉国产精品| videosex国产| 少妇裸体淫交视频免费看高清 | 两人在一起打扑克的视频| 国产精品亚洲av一区麻豆| 欧美国产日韩亚洲一区| 婷婷亚洲欧美| 18禁国产床啪视频网站| 操出白浆在线播放| 一本综合久久免费| 两个人免费观看高清视频| 国产精品久久久久久人妻精品电影| 色av中文字幕| 日本黄色视频三级网站网址| 欧美一区二区国产精品久久精品 | 三级男女做爰猛烈吃奶摸视频| 婷婷六月久久综合丁香| 日韩大码丰满熟妇| 一级毛片精品| 此物有八面人人有两片| 淫秽高清视频在线观看| 最新在线观看一区二区三区| 亚洲一区中文字幕在线| 美女黄网站色视频| 国产成人一区二区三区免费视频网站| 亚洲va日本ⅴa欧美va伊人久久| 亚洲成人中文字幕在线播放| 男人的好看免费观看在线视频 | av在线天堂中文字幕| 国产视频内射| 一级黄色大片毛片| 亚洲精品国产精品久久久不卡| 久久久精品国产亚洲av高清涩受| 国产精品乱码一区二三区的特点| 宅男免费午夜| 无人区码免费观看不卡| 日本熟妇午夜| 精品乱码久久久久久99久播| 啪啪无遮挡十八禁网站| 成人18禁在线播放| 久久精品91蜜桃| 亚洲av成人av| 桃色一区二区三区在线观看| 成人永久免费在线观看视频| 黄色女人牲交| 欧美日韩福利视频一区二区| 两性午夜刺激爽爽歪歪视频在线观看 | 这个男人来自地球电影免费观看| 天堂av国产一区二区熟女人妻 | 精品欧美国产一区二区三| 免费在线观看日本一区| 99国产极品粉嫩在线观看| 国产精品av久久久久免费| 国产单亲对白刺激| 激情在线观看视频在线高清| 亚洲熟妇中文字幕五十中出| 国产69精品久久久久777片 | 亚洲成人国产一区在线观看| 美女 人体艺术 gogo| 91九色精品人成在线观看| 搡老岳熟女国产| 色精品久久人妻99蜜桃| 精品久久久久久久人妻蜜臀av| 最好的美女福利视频网| 夜夜爽天天搞| 亚洲在线自拍视频| 亚洲美女黄片视频| 两性夫妻黄色片| 精品久久久久久久人妻蜜臀av| 久久人人精品亚洲av| 亚洲七黄色美女视频| 亚洲精品国产一区二区精华液| 丁香六月欧美| 亚洲av成人不卡在线观看播放网| 久久精品91无色码中文字幕| 一区二区三区国产精品乱码| 国产视频一区二区在线看| 99re在线观看精品视频| 18禁美女被吸乳视频| 1024手机看黄色片| 级片在线观看| 欧美久久黑人一区二区| 亚洲九九香蕉| 91成年电影在线观看| 亚洲国产欧美人成| 99久久无色码亚洲精品果冻| 一进一出抽搐动态| 黄色丝袜av网址大全| 亚洲一区二区三区不卡视频| 老汉色∧v一级毛片| 在线视频色国产色| av欧美777| 日韩欧美一区二区三区在线观看| 亚洲中文av在线| 国产精品av久久久久免费| 啪啪无遮挡十八禁网站| 久9热在线精品视频| 丰满人妻熟妇乱又伦精品不卡| 日韩大尺度精品在线看网址| 国产精品国产高清国产av| 在线观看66精品国产| 亚洲国产精品sss在线观看| 人人妻,人人澡人人爽秒播| 亚洲欧洲精品一区二区精品久久久| 中文字幕久久专区| 国产亚洲av高清不卡| 亚洲av美国av| 麻豆成人午夜福利视频| 一级毛片高清免费大全| 神马国产精品三级电影在线观看 | 天堂√8在线中文| 欧美性猛交╳xxx乱大交人| 亚洲五月婷婷丁香| 久久久国产成人精品二区| 夜夜躁狠狠躁天天躁| 亚洲国产精品合色在线| 大型黄色视频在线免费观看| 国产精品av视频在线免费观看| 嫩草影院精品99| 制服诱惑二区| 成人亚洲精品av一区二区| 久久久久久久久中文| 久久精品人妻少妇| 99riav亚洲国产免费| 免费在线观看日本一区| 久久这里只有精品中国| 亚洲人成伊人成综合网2020| 在线观看www视频免费| or卡值多少钱| 欧美久久黑人一区二区| 男人舔女人下体高潮全视频| 久久久久性生活片| 成人国产综合亚洲| 露出奶头的视频| 精品久久久久久成人av| 国产av在哪里看| 亚洲五月天丁香| 久久 成人 亚洲| 啦啦啦免费观看视频1| 午夜福利视频1000在线观看| 天天一区二区日本电影三级| 亚洲av日韩精品久久久久久密| 欧美日韩亚洲国产一区二区在线观看| 国产精品久久久久久亚洲av鲁大| 制服诱惑二区| 欧美不卡视频在线免费观看 | 好看av亚洲va欧美ⅴa在| 丰满的人妻完整版| 又爽又黄无遮挡网站| 亚洲中文字幕日韩| 久久精品国产亚洲av高清一级| 淫妇啪啪啪对白视频| 婷婷精品国产亚洲av在线| 中亚洲国语对白在线视频| 一级毛片高清免费大全| 欧美黑人欧美精品刺激| 法律面前人人平等表现在哪些方面| 午夜视频精品福利| 免费看十八禁软件| 国内精品一区二区在线观看| 久久久精品欧美日韩精品| 黄色丝袜av网址大全| 夜夜看夜夜爽夜夜摸| 女生性感内裤真人,穿戴方法视频| 搡老妇女老女人老熟妇| 午夜a级毛片| 黄频高清免费视频| 嫁个100分男人电影在线观看| 9191精品国产免费久久| 亚洲人成网站在线播放欧美日韩| 色综合亚洲欧美另类图片| 我要搜黄色片| 久久草成人影院| 看黄色毛片网站| 亚洲精品在线美女| 久久天堂一区二区三区四区| 黄色视频,在线免费观看| 操出白浆在线播放| 精品久久久久久久久久免费视频| 在线观看66精品国产| 欧美黑人精品巨大| 久久精品国产亚洲av高清一级| 女人被狂操c到高潮| 亚洲国产欧美网| 我的老师免费观看完整版| 欧美在线黄色| 免费搜索国产男女视频| 亚洲av成人一区二区三| 长腿黑丝高跟| 色尼玛亚洲综合影院| 此物有八面人人有两片| 久久午夜亚洲精品久久| 白带黄色成豆腐渣| 成在线人永久免费视频| 欧美最黄视频在线播放免费| 欧美午夜高清在线| 色综合欧美亚洲国产小说| 久久久久久九九精品二区国产 | 成人永久免费在线观看视频| 淫秽高清视频在线观看| 99热这里只有是精品50| 久久婷婷人人爽人人干人人爱| 国产日本99.免费观看| 久久精品91蜜桃| 欧美zozozo另类| 日日摸夜夜添夜夜添小说| 一区福利在线观看| e午夜精品久久久久久久| 亚洲人成网站在线播放欧美日韩| 狠狠狠狠99中文字幕| 99精品在免费线老司机午夜| 午夜免费观看网址| 亚洲av电影不卡..在线观看| 天天躁狠狠躁夜夜躁狠狠躁| 两人在一起打扑克的视频| 我的老师免费观看完整版| 欧美zozozo另类| 欧美高清成人免费视频www| 岛国视频午夜一区免费看| 精品欧美一区二区三区在线| av天堂在线播放| 一本一本综合久久| av福利片在线观看| 亚洲黑人精品在线| 少妇熟女aⅴ在线视频| 波多野结衣高清作品| www.熟女人妻精品国产| 美女午夜性视频免费| 非洲黑人性xxxx精品又粗又长| 777久久人妻少妇嫩草av网站| 天天添夜夜摸| 可以在线观看毛片的网站| 久久99热这里只有精品18| 午夜老司机福利片| 不卡一级毛片| 一边摸一边抽搐一进一小说| 国产精品免费视频内射| 亚洲五月天丁香| 在线十欧美十亚洲十日本专区| 久久久久久大精品| 午夜精品一区二区三区免费看| 国产精品av视频在线免费观看| 可以免费在线观看a视频的电影网站| www.自偷自拍.com| 操出白浆在线播放| 成人国产一区最新在线观看| 黄色片一级片一级黄色片| 身体一侧抽搐| 成年人黄色毛片网站| 成年版毛片免费区| 两个人视频免费观看高清| 一级毛片女人18水好多| 亚洲美女黄片视频| 少妇被粗大的猛进出69影院| 国产精品一及| 俺也久久电影网| 国产亚洲精品综合一区在线观看 | 母亲3免费完整高清在线观看| 淫妇啪啪啪对白视频| 久久久久久免费高清国产稀缺| 亚洲熟妇熟女久久| 黄频高清免费视频| 久久人妻av系列| 国产99白浆流出| 国产亚洲精品久久久久5区| 性欧美人与动物交配| 精品少妇一区二区三区视频日本电影| videosex国产| 一卡2卡三卡四卡精品乱码亚洲| 国产亚洲av高清不卡| 欧美一区二区国产精品久久精品 | 亚洲国产精品久久男人天堂| 小说图片视频综合网站| 岛国视频午夜一区免费看| 国产成人av教育| 成人国产综合亚洲| 欧美黑人欧美精品刺激| 精品无人区乱码1区二区| 在线十欧美十亚洲十日本专区| 国产av一区二区精品久久| 真人一进一出gif抽搐免费| 91九色精品人成在线观看| 久久婷婷人人爽人人干人人爱| 在线观看免费午夜福利视频| 91在线观看av| 少妇被粗大的猛进出69影院| 在线观看午夜福利视频| 好看av亚洲va欧美ⅴa在| 视频区欧美日本亚洲| 黄色毛片三级朝国网站| 露出奶头的视频| 久久午夜综合久久蜜桃| 美女黄网站色视频| 怎么达到女性高潮| 亚洲国产欧美人成| 伦理电影免费视频| 亚洲男人天堂网一区| 久久人妻av系列| 丰满人妻一区二区三区视频av | 麻豆av在线久日| 亚洲欧美精品综合一区二区三区| 日韩高清综合在线| 亚洲 欧美 日韩 在线 免费| 亚洲欧美日韩高清专用| 成人国产一区最新在线观看| 两人在一起打扑克的视频| 国产亚洲精品第一综合不卡| 亚洲一区高清亚洲精品| 美女午夜性视频免费| 色综合欧美亚洲国产小说| 国产一区在线观看成人免费| 久久伊人香网站| 国产免费av片在线观看野外av| 欧美国产日韩亚洲一区| 国产精品免费一区二区三区在线| 亚洲在线自拍视频| 国产三级黄色录像| 色综合婷婷激情| 亚洲精品粉嫩美女一区| 99久久99久久久精品蜜桃| 俄罗斯特黄特色一大片| 日韩国内少妇激情av| а√天堂www在线а√下载| 亚洲va日本ⅴa欧美va伊人久久| 日本a在线网址| 在线十欧美十亚洲十日本专区| 亚洲中文av在线| 亚洲天堂国产精品一区在线| 国产精品国产高清国产av| 亚洲无线在线观看| 精品久久久久久久久久免费视频| 天天躁狠狠躁夜夜躁狠狠躁| 一级作爱视频免费观看| 亚洲 欧美 日韩 在线 免费| 丝袜美腿诱惑在线| 久久久久久久久免费视频了| 亚洲片人在线观看| 免费看日本二区| 久久精品人妻少妇| 精品欧美国产一区二区三| 成人av一区二区三区在线看| 久久精品影院6| 丰满人妻熟妇乱又伦精品不卡| 国产男靠女视频免费网站| 久久九九热精品免费| 亚洲一区中文字幕在线| 久久香蕉国产精品| 中文字幕最新亚洲高清| 午夜影院日韩av| 在线观看日韩欧美| 国产精品亚洲一级av第二区| 在线观看美女被高潮喷水网站 | 啦啦啦观看免费观看视频高清| 久久精品夜夜夜夜夜久久蜜豆 | 香蕉久久夜色| 长腿黑丝高跟| 男女那种视频在线观看| 中文字幕人成人乱码亚洲影| 在线播放国产精品三级| 亚洲av成人精品一区久久| 国产精品免费一区二区三区在线| 黄色毛片三级朝国网站| 国产伦人伦偷精品视频| 婷婷精品国产亚洲av| 国产亚洲av嫩草精品影院| 黄色 视频免费看| 18禁黄网站禁片午夜丰满| 国产野战对白在线观看| 99热这里只有精品一区 | 国产一区二区在线av高清观看| 亚洲av成人一区二区三| 日韩av在线大香蕉| 国产精品久久久久久久电影 | 毛片女人毛片| 男人舔女人的私密视频| 91麻豆av在线| 久久久久久久久久黄片| 人人妻人人看人人澡| 91av网站免费观看| 日本成人三级电影网站| 亚洲一卡2卡3卡4卡5卡精品中文| 国产av在哪里看| 熟女少妇亚洲综合色aaa.| 精品国产美女av久久久久小说| 精品久久久久久久久久免费视频| 久久久国产精品麻豆| 不卡av一区二区三区| 国模一区二区三区四区视频 | 日韩三级视频一区二区三区| 中文资源天堂在线| 夜夜爽天天搞| 一区二区三区高清视频在线| 欧美3d第一页| 国产91精品成人一区二区三区| 日韩大尺度精品在线看网址| 日韩欧美免费精品| 国产精品亚洲一级av第二区| 99久久国产精品久久久| 男人舔女人下体高潮全视频| 啦啦啦观看免费观看视频高清| 亚洲性夜色夜夜综合| 老司机在亚洲福利影院| tocl精华| 亚洲国产精品999在线| 黄色丝袜av网址大全| 国产一区二区在线av高清观看| 特级一级黄色大片| 桃红色精品国产亚洲av| av中文乱码字幕在线| 一卡2卡三卡四卡精品乱码亚洲| 岛国视频午夜一区免费看| 亚洲av成人一区二区三| 精品久久久久久久末码| 亚洲 国产 在线| 老司机福利观看| 欧美黑人欧美精品刺激| 国产伦一二天堂av在线观看| 日韩高清综合在线| 日本五十路高清| 欧美一级毛片孕妇| 国产欧美日韩一区二区三| 麻豆一二三区av精品| 欧美zozozo另类| 亚洲一区二区三区色噜噜| 最新在线观看一区二区三区| 国产91精品成人一区二区三区| 精品高清国产在线一区| 人成视频在线观看免费观看| 麻豆久久精品国产亚洲av| 两人在一起打扑克的视频| 国产精品久久久人人做人人爽| 国产精品野战在线观看| 亚洲国产精品成人综合色| 免费在线观看影片大全网站| 久久久久国产一级毛片高清牌| 精品乱码久久久久久99久播| 搡老熟女国产l中国老女人| av超薄肉色丝袜交足视频| 老司机靠b影院| 首页视频小说图片口味搜索| 久久久久久久久久黄片| 一本大道久久a久久精品| 男人的好看免费观看在线视频 | 成熟少妇高潮喷水视频| 亚洲熟妇熟女久久| 欧美不卡视频在线免费观看 | 巨乳人妻的诱惑在线观看| 成人18禁高潮啪啪吃奶动态图| 欧美日韩中文字幕国产精品一区二区三区| 757午夜福利合集在线观看| 真人一进一出gif抽搐免费| 欧美av亚洲av综合av国产av| 久久午夜综合久久蜜桃| 丝袜美腿诱惑在线| 在线观看www视频免费| 欧美3d第一页| 亚洲,欧美精品.| 一区二区三区国产精品乱码| 欧美黑人巨大hd| 久久精品人妻少妇| 在线播放国产精品三级| 成在线人永久免费视频| 亚洲中文字幕日韩| 欧美中文日本在线观看视频| 国产成年人精品一区二区| 国产伦在线观看视频一区| 18美女黄网站色大片免费观看| 老汉色∧v一级毛片| 欧美成人免费av一区二区三区| 亚洲av成人av| 成人高潮视频无遮挡免费网站| 午夜精品在线福利| 国产一区在线观看成人免费| 日日爽夜夜爽网站| 人成视频在线观看免费观看| 成人国产一区最新在线观看| 色尼玛亚洲综合影院| or卡值多少钱| 日本黄色视频三级网站网址| 性欧美人与动物交配| 欧美黑人欧美精品刺激| 亚洲最大成人中文| 久99久视频精品免费| 两个人免费观看高清视频| 亚洲av成人一区二区三| 日韩大码丰满熟妇| 成人三级黄色视频| 可以在线观看毛片的网站| 久久亚洲真实| 人人妻,人人澡人人爽秒播| 日韩欧美国产在线观看| 少妇裸体淫交视频免费看高清 | 中亚洲国语对白在线视频| 国产精品久久久久久亚洲av鲁大| 国产又黄又爽又无遮挡在线| 极品教师在线免费播放| 亚洲精品在线美女| 校园春色视频在线观看| 久久久国产精品麻豆| 国产亚洲av高清不卡| 最新在线观看一区二区三区| 免费高清视频大片| 手机成人av网站| 国产麻豆成人av免费视频| 巨乳人妻的诱惑在线观看| 99精品在免费线老司机午夜| 一级片免费观看大全| 欧美又色又爽又黄视频| 国产精品一区二区免费欧美| 国产高清有码在线观看视频 | 亚洲成av人片免费观看| 18禁黄网站禁片免费观看直播| 国产av麻豆久久久久久久| 色精品久久人妻99蜜桃| 亚洲成人精品中文字幕电影| 欧美最黄视频在线播放免费| 99久久无色码亚洲精品果冻| 亚洲真实伦在线观看| 最近最新中文字幕大全电影3| 精品国产乱码久久久久久男人| 每晚都被弄得嗷嗷叫到高潮| 午夜成年电影在线免费观看| 亚洲九九香蕉| 国产乱人伦免费视频| 真人一进一出gif抽搐免费| 成人一区二区视频在线观看| 国产亚洲精品久久久久5区| 变态另类成人亚洲欧美熟女| 国产真实乱freesex| 亚洲成人精品中文字幕电影| 国内久久婷婷六月综合欲色啪| 麻豆国产97在线/欧美 | 美女午夜性视频免费| 男女那种视频在线观看| 欧美性猛交╳xxx乱大交人| 一级黄色大片毛片| 一进一出抽搐动态| 久久精品夜夜夜夜夜久久蜜豆 | 亚洲国产精品999在线| 日韩欧美国产在线观看| 久久久久久大精品| 黄色成人免费大全| 操出白浆在线播放|