• <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
    夜夜爽夜夜爽视频| 大香蕉97超碰在线| 伦精品一区二区三区| 日韩一区二区三区影片| 我的老师免费观看完整版| 国产精品人妻久久久久久| 麻豆精品久久久久久蜜桃| 色播亚洲综合网| 爱豆传媒免费全集在线观看| 亚洲欧美一区二区三区黑人 | 久久久久久久久久成人| 在线天堂最新版资源| 色综合色国产| 亚洲伊人久久精品综合| 欧美性感艳星| 亚洲精品久久午夜乱码| 五月天丁香电影| 美女高潮的动态| 久久久久久久久久久丰满| 国产精品不卡视频一区二区| 麻豆久久精品国产亚洲av| 国产永久视频网站| 亚洲国产av新网站| 18禁在线播放成人免费| 麻豆乱淫一区二区| 成人一区二区视频在线观看| h日本视频在线播放| 麻豆久久精品国产亚洲av| 久久国产乱子免费精品| 亚洲精品色激情综合| 欧美精品国产亚洲| 日日摸夜夜添夜夜爱| 久久人人爽人人片av| 丝瓜视频免费看黄片| 成年女人在线观看亚洲视频 | 日韩视频在线欧美| 伦理电影大哥的女人| 你懂的网址亚洲精品在线观看| av网站免费在线观看视频 | 床上黄色一级片| 超碰av人人做人人爽久久| 97热精品久久久久久| 狂野欧美白嫩少妇大欣赏| 成人av在线播放网站| 高清在线视频一区二区三区| 久久鲁丝午夜福利片| 亚洲av日韩在线播放| 亚洲精品,欧美精品| 久久99热这里只有精品18| 国产亚洲91精品色在线| 女的被弄到高潮叫床怎么办| 欧美+日韩+精品| 熟女电影av网| 亚洲精品久久久久久婷婷小说| 亚洲欧美精品专区久久| 亚洲av男天堂| 精品久久久精品久久久| 国产一级毛片在线| 成人一区二区视频在线观看| 成人亚洲精品一区在线观看 | 少妇猛男粗大的猛烈进出视频 | 高清欧美精品videossex| 非洲黑人性xxxx精品又粗又长| 成人二区视频| 久久久a久久爽久久v久久| 欧美+日韩+精品| 身体一侧抽搐| 中文精品一卡2卡3卡4更新| 久久97久久精品| 国产精品熟女久久久久浪| 又爽又黄无遮挡网站| 国产日韩欧美在线精品| av福利片在线观看| 五月伊人婷婷丁香| 丝袜美腿在线中文| 欧美 日韩 精品 国产| 国产淫语在线视频| 夜夜看夜夜爽夜夜摸| 中文欧美无线码| www.色视频.com| 丝袜美腿在线中文| 三级国产精品片| 亚洲在线观看片| 国产精品一区二区三区四区免费观看| 中文欧美无线码| 天堂√8在线中文| av在线天堂中文字幕| 好男人视频免费观看在线| 亚洲人与动物交配视频| 久久久久久久久久成人| 午夜日本视频在线| 国产国拍精品亚洲av在线观看| 久久6这里有精品| 国产黄色视频一区二区在线观看| 又黄又爽又刺激的免费视频.| 欧美高清成人免费视频www| 国产伦一二天堂av在线观看| 久久鲁丝午夜福利片| 精华霜和精华液先用哪个| 欧美日韩在线观看h| 久久精品人妻少妇| 亚洲乱码一区二区免费版| 亚洲熟妇中文字幕五十中出| 一个人观看的视频www高清免费观看| 成人二区视频| 国产伦一二天堂av在线观看| 街头女战士在线观看网站| 国产一区亚洲一区在线观看| 18禁在线无遮挡免费观看视频| 免费在线观看成人毛片| 欧美+日韩+精品| 两个人的视频大全免费| 亚洲伊人久久精品综合| 国产高清有码在线观看视频| 国产91av在线免费观看| 亚洲,欧美,日韩| 亚洲精品aⅴ在线观看| 免费av毛片视频| 亚洲av电影在线观看一区二区三区 | 亚洲性久久影院| 1000部很黄的大片| 亚洲av成人av| videossex国产| 国产精品久久久久久精品电影小说 | 1000部很黄的大片| 久久久久久伊人网av| 欧美日韩视频高清一区二区三区二| 午夜福利在线观看吧| 超碰97精品在线观看| 一级毛片aaaaaa免费看小| 日韩成人伦理影院| av网站免费在线观看视频 | 日韩成人av中文字幕在线观看| 国产精品熟女久久久久浪| 熟妇人妻不卡中文字幕| 一个人看视频在线观看www免费| 亚洲精品视频女| xxx大片免费视频| 欧美成人a在线观看| 亚洲成人一二三区av| 精品一区二区三卡| 大陆偷拍与自拍| 中文欧美无线码| 国产精品日韩av在线免费观看| 日韩欧美精品免费久久| 晚上一个人看的免费电影| 亚洲精华国产精华液的使用体验| 亚洲精品亚洲一区二区| 亚洲最大成人av| 一本久久精品| 亚洲人成网站高清观看| 国产高清不卡午夜福利| 国产精品一及| 在线观看美女被高潮喷水网站| 水蜜桃什么品种好| 亚洲在线观看片| 男女那种视频在线观看| 特级一级黄色大片| 国产老妇女一区| 精品人妻视频免费看| 高清av免费在线| 18禁在线无遮挡免费观看视频| 精华霜和精华液先用哪个| 天堂√8在线中文| 日韩欧美精品免费久久| 成人鲁丝片一二三区免费| 成人亚洲精品一区在线观看 | 久久久久久国产a免费观看| 欧美成人a在线观看| 国产单亲对白刺激| 日日摸夜夜添夜夜添av毛片| av在线蜜桃| 久久久久国产网址| 亚洲精品久久久久久婷婷小说| 日日撸夜夜添| 三级毛片av免费| 亚洲三级黄色毛片| 亚洲精品日韩在线中文字幕| 国产男人的电影天堂91| 大香蕉97超碰在线| 成人欧美大片| 一区二区三区高清视频在线| 国产亚洲91精品色在线| 在线免费观看不下载黄p国产| 午夜免费观看性视频| 亚洲第一区二区三区不卡| 日韩制服骚丝袜av| 日本一二三区视频观看| 尤物成人国产欧美一区二区三区| 日本免费在线观看一区| 亚洲av男天堂| 啦啦啦啦在线视频资源| 最近最新中文字幕大全电影3| 女人久久www免费人成看片| 哪个播放器可以免费观看大片| 激情 狠狠 欧美| 成人性生交大片免费视频hd| 日韩电影二区| 日日啪夜夜撸| 一夜夜www| 狂野欧美白嫩少妇大欣赏| www.av在线官网国产| 免费av不卡在线播放| 精品国产三级普通话版| 欧美xxxx性猛交bbbb| 黄色一级大片看看| av一本久久久久| 午夜福利成人在线免费观看| 午夜福利高清视频| 最后的刺客免费高清国语| av专区在线播放| 日本色播在线视频| 国产精品美女特级片免费视频播放器| 成人亚洲精品一区在线观看 | 精华霜和精华液先用哪个| 国产三级在线视频| 国产精品日韩av在线免费观看| 两个人视频免费观看高清| 91精品国产九色| 九草在线视频观看| 亚洲综合色惰| 日韩亚洲欧美综合| 女的被弄到高潮叫床怎么办| 欧美区成人在线视频| 亚洲av成人av| 国国产精品蜜臀av免费| 国产人妻一区二区三区在| 可以在线观看毛片的网站| ponron亚洲| 国产高清国产精品国产三级 | 成人欧美大片| 成人亚洲欧美一区二区av| 亚洲伊人久久精品综合| 最近手机中文字幕大全| 黄色欧美视频在线观看| 国产爱豆传媒在线观看| 国产精品av视频在线免费观看| 国产av国产精品国产| 亚洲aⅴ乱码一区二区在线播放| 国产v大片淫在线免费观看| 十八禁网站网址无遮挡 | 欧美成人一区二区免费高清观看| 九九爱精品视频在线观看| 女人久久www免费人成看片| 亚洲av成人精品一二三区| 精品久久久精品久久久| 欧美97在线视频| 免费无遮挡裸体视频| 婷婷六月久久综合丁香| 69av精品久久久久久| 干丝袜人妻中文字幕| 国产成人一区二区在线| 亚洲成人精品中文字幕电影| a级毛片免费高清观看在线播放| 亚洲欧美一区二区三区国产| 久久精品国产亚洲av涩爱| 亚洲欧美成人综合另类久久久| 男女视频在线观看网站免费| 国产大屁股一区二区在线视频| av在线亚洲专区| 久久99蜜桃精品久久| 嫩草影院新地址| 99热这里只有精品一区| 欧美最新免费一区二区三区| 国产国拍精品亚洲av在线观看| 亚洲成人一二三区av| 亚洲最大成人中文| 高清日韩中文字幕在线| 亚洲人与动物交配视频| 免费av观看视频| 国产精品1区2区在线观看.| 亚洲图色成人| 亚洲精品亚洲一区二区| 在线观看一区二区三区| 亚洲国产精品专区欧美| 色综合站精品国产| 亚洲综合精品二区| 亚洲av电影不卡..在线观看| 亚洲,欧美,日韩| 国产黄色免费在线视频| 日韩精品有码人妻一区| 一级毛片 在线播放| 99九九线精品视频在线观看视频| 女人十人毛片免费观看3o分钟| 一级毛片aaaaaa免费看小| 国内精品一区二区在线观看| 1000部很黄的大片| 亚洲av成人精品一二三区| 亚洲精品国产成人久久av| 午夜福利视频精品| 日韩一区二区三区影片| 日韩视频在线欧美| 三级男女做爰猛烈吃奶摸视频| 亚洲乱码一区二区免费版| 少妇人妻一区二区三区视频| 亚洲av成人精品一二三区| 麻豆国产97在线/欧美| av在线天堂中文字幕| 婷婷色av中文字幕| 三级经典国产精品| 天堂√8在线中文| 亚洲一区高清亚洲精品| 久久鲁丝午夜福利片| 菩萨蛮人人尽说江南好唐韦庄| 久久久久精品性色| 成人午夜精彩视频在线观看| 中文欧美无线码| 国产精品爽爽va在线观看网站| 少妇人妻精品综合一区二区| 国产成人精品久久久久久| 国产精品国产三级国产av玫瑰| 美女xxoo啪啪120秒动态图| 国产 一区精品| 一二三四中文在线观看免费高清| 亚洲三级黄色毛片| 亚洲欧美日韩无卡精品| 一区二区三区乱码不卡18| 欧美变态另类bdsm刘玥| 精华霜和精华液先用哪个| 18禁裸乳无遮挡免费网站照片| 午夜免费男女啪啪视频观看| 亚洲欧美精品专区久久| 午夜老司机福利剧场| 少妇的逼水好多| 亚洲av中文av极速乱| 国产黄色小视频在线观看| 直男gayav资源| 国产午夜福利久久久久久| 成人特级av手机在线观看| 狠狠精品人妻久久久久久综合| 插逼视频在线观看| 精品久久久久久久久av| 午夜精品在线福利| 一级毛片黄色毛片免费观看视频| 综合色丁香网| 国产乱人偷精品视频| 国产熟女欧美一区二区| 日韩强制内射视频| av黄色大香蕉| 亚洲激情五月婷婷啪啪| 国产亚洲av嫩草精品影院| 97超碰精品成人国产| 97人妻精品一区二区三区麻豆| 老司机影院成人| 人妻一区二区av| 菩萨蛮人人尽说江南好唐韦庄| 亚洲人与动物交配视频| 美女脱内裤让男人舔精品视频| 淫秽高清视频在线观看| 内地一区二区视频在线| 日韩一本色道免费dvd| 视频中文字幕在线观看| 青春草视频在线免费观看| av国产免费在线观看| 欧美另类一区| 99久久人妻综合| 国产高潮美女av| 观看美女的网站| 中国美白少妇内射xxxbb| av免费在线看不卡| 免费在线观看成人毛片| 日本免费在线观看一区| 一区二区三区四区激情视频| 久久精品熟女亚洲av麻豆精品 | 日韩强制内射视频| 天堂影院成人在线观看| 男女啪啪激烈高潮av片| 亚洲婷婷狠狠爱综合网| 国产亚洲精品av在线| 久久久久精品久久久久真实原创| 精品人妻熟女av久视频| 国内精品美女久久久久久| av在线播放精品| 成人一区二区视频在线观看| 国内揄拍国产精品人妻在线| 韩国av在线不卡| 全区人妻精品视频| 日本爱情动作片www.在线观看| 亚洲三级黄色毛片| 日韩精品有码人妻一区| 日本黄色片子视频| 成人毛片60女人毛片免费| 最近视频中文字幕2019在线8| 如何舔出高潮| 在线天堂最新版资源| 国模一区二区三区四区视频| 国产伦在线观看视频一区| 在线免费观看的www视频| 日本黄色片子视频| 边亲边吃奶的免费视频| 久久午夜福利片| 久久久久免费精品人妻一区二区| 亚洲18禁久久av| 精品国产一区二区三区久久久樱花 | av福利片在线观看| 一级a做视频免费观看| 建设人人有责人人尽责人人享有的 | 午夜激情久久久久久久| 在线 av 中文字幕| 久久这里有精品视频免费| 国产爱豆传媒在线观看| 国产黄a三级三级三级人| 2021少妇久久久久久久久久久| 联通29元200g的流量卡| 国产一级毛片七仙女欲春2| 亚洲精品色激情综合| 亚洲欧美中文字幕日韩二区| 精品人妻熟女av久视频| 国产精品1区2区在线观看.| 嫩草影院精品99| 国产精品麻豆人妻色哟哟久久 | 亚洲国产欧美在线一区| 精品欧美国产一区二区三| 大陆偷拍与自拍| 少妇猛男粗大的猛烈进出视频 | 在线观看av片永久免费下载| 午夜免费激情av| 岛国毛片在线播放| 啦啦啦中文免费视频观看日本| 亚洲无线观看免费| 最近视频中文字幕2019在线8| 国产又色又爽无遮挡免| 亚洲国产欧美人成| 日本一本二区三区精品| 高清日韩中文字幕在线| 国产 一区 欧美 日韩| 菩萨蛮人人尽说江南好唐韦庄| 久久久久久久国产电影| 日韩精品有码人妻一区| 99久久人妻综合| 国内揄拍国产精品人妻在线| 午夜福利成人在线免费观看| 亚洲综合色惰| 国产亚洲av片在线观看秒播厂 | 精品一区二区三区视频在线| 国产免费一级a男人的天堂| 久久国内精品自在自线图片| 尾随美女入室| 高清日韩中文字幕在线| 看非洲黑人一级黄片| 激情五月婷婷亚洲| 欧美高清性xxxxhd video| 成人亚洲欧美一区二区av| 嫩草影院精品99| 国产久久久一区二区三区| 亚洲真实伦在线观看| 欧美xxxx黑人xx丫x性爽| 中文字幕av在线有码专区| 色吧在线观看| 国产亚洲精品久久久com| 国产毛片a区久久久久| 久久久久久久久大av| 中文乱码字字幕精品一区二区三区 | 观看免费一级毛片| 街头女战士在线观看网站| 熟女人妻精品中文字幕| 国产成人freesex在线| 18+在线观看网站| 成人国产麻豆网| 内地一区二区视频在线| 精华霜和精华液先用哪个| 非洲黑人性xxxx精品又粗又长| av网站免费在线观看视频 | 国产精品蜜桃在线观看| 久久久亚洲精品成人影院| 欧美日韩国产mv在线观看视频 | 欧美 日韩 精品 国产| 国产精品福利在线免费观看| 亚洲成人久久爱视频| 日本黄大片高清| 欧美日韩国产mv在线观看视频 | 国产麻豆成人av免费视频| 夫妻性生交免费视频一级片| 天美传媒精品一区二区| 中国美白少妇内射xxxbb| 听说在线观看完整版免费高清| kizo精华| 一级二级三级毛片免费看| 国产午夜精品一二区理论片| 久久久久久久午夜电影| 国产探花在线观看一区二区| 欧美精品国产亚洲| 亚洲av成人精品一区久久| 久久久成人免费电影| 成年av动漫网址| 97人妻精品一区二区三区麻豆| 日本黄色片子视频| 亚洲精品亚洲一区二区| 少妇人妻精品综合一区二区| 91午夜精品亚洲一区二区三区| 亚洲精品日本国产第一区| av.在线天堂| 男插女下体视频免费在线播放| 国产熟女欧美一区二区| 能在线免费看毛片的网站| 黄色一级大片看看| av在线天堂中文字幕| 成人午夜精彩视频在线观看| 久久久久久伊人网av| 干丝袜人妻中文字幕| 男女啪啪激烈高潮av片| 五月天丁香电影| 午夜福利在线观看免费完整高清在| 六月丁香七月| 伦精品一区二区三区| 日韩强制内射视频| 中文字幕久久专区| 高清日韩中文字幕在线| 又爽又黄a免费视频| 美女主播在线视频| 少妇熟女欧美另类| 一区二区三区高清视频在线| 亚洲欧美一区二区三区国产| 91久久精品电影网| 国产亚洲精品久久久com| 欧美日韩综合久久久久久| 欧美成人一区二区免费高清观看| www.av在线官网国产| 听说在线观看完整版免费高清| 精品久久久久久久人妻蜜臀av| 有码 亚洲区| 国产探花在线观看一区二区| 亚洲综合色惰| 色视频www国产| 男插女下体视频免费在线播放| 亚洲在线自拍视频| 亚洲伊人久久精品综合| 久久99热6这里只有精品| 欧美三级亚洲精品| 偷拍熟女少妇极品色| 亚洲在线观看片| 久久精品夜夜夜夜夜久久蜜豆| 麻豆av噜噜一区二区三区| 一区二区三区高清视频在线| 国产亚洲av嫩草精品影院| 人体艺术视频欧美日本| 一夜夜www| 特级一级黄色大片| 青青草视频在线视频观看| 特级一级黄色大片| 视频中文字幕在线观看| 伦精品一区二区三区| 午夜亚洲福利在线播放| 99re6热这里在线精品视频| 欧美性猛交╳xxx乱大交人| 91精品一卡2卡3卡4卡| 91久久精品国产一区二区三区| 亚洲丝袜综合中文字幕| 精品久久国产蜜桃| 日韩欧美一区视频在线观看 | 最近中文字幕高清免费大全6| 欧美人与善性xxx| 国产高清国产精品国产三级 | 可以在线观看毛片的网站| 91在线精品国自产拍蜜月| 你懂的网址亚洲精品在线观看| 欧美丝袜亚洲另类| 国产 一区精品| 久久久久久久亚洲中文字幕| 最近中文字幕高清免费大全6| 亚洲欧美一区二区三区黑人 | 精华霜和精华液先用哪个| 一级爰片在线观看| 69人妻影院| 国产精品一区二区性色av| 亚洲av电影不卡..在线观看| 床上黄色一级片| h日本视频在线播放| 亚洲国产精品成人久久小说| 精品国产三级普通话版| 亚洲人成网站在线观看播放| 国产精品久久视频播放| 免费看a级黄色片| 尤物成人国产欧美一区二区三区| 欧美性感艳星| av.在线天堂| 欧美 日韩 精品 国产| 高清av免费在线| 色综合色国产| 非洲黑人性xxxx精品又粗又长| 菩萨蛮人人尽说江南好唐韦庄| 国产亚洲精品av在线| 亚洲精品国产av成人精品| 中文欧美无线码| 国产成人a区在线观看| 免费大片18禁| 纵有疾风起免费观看全集完整版 | 国内少妇人妻偷人精品xxx网站| 国产91av在线免费观看| 久久精品综合一区二区三区| 欧美最新免费一区二区三区| 国产精品国产三级国产专区5o| 色综合亚洲欧美另类图片| 人妻一区二区av| 久久久色成人| 搡女人真爽免费视频火全软件| 日韩一区二区视频免费看| 69av精品久久久久久| 日韩精品青青久久久久久| av黄色大香蕉| 国产黄片视频在线免费观看| 亚洲av日韩在线播放| 国产久久久一区二区三区| 激情 狠狠 欧美| 日本黄大片高清| 国产91av在线免费观看| av一本久久久久| 成年女人看的毛片在线观看| 国产精品久久久久久久久免| 一级毛片电影观看| 熟女电影av网| 亚洲国产成人一精品久久久| 有码 亚洲区| 亚洲成人av在线免费| 美女高潮的动态|