基于深度神经网络目标检测算法研究.pdfVIP

基于深度神经网络目标检测算法研究--第1页

摘要

近年来，基于深度神经网络（DL）的人工智能（AI）引起了全球的极大兴趣。深度

神经网络今天被广泛使用，并已扩展到各种有趣的领域。它在跨学科研究中越来越受欢

迎，例如将计算机科学与工程应用相结合的智慧城市系统研究。人体动作检测是这些领

域之一。由于对计算速度和准确性的严格要求，人类行为检测是一个有趣的挑战。高精

度实时目标跟踪也被认为是一项重大挑战。

目标检测（ObjectDetection）是计算机视觉领域的基本任务之一，学术界已有将

近二十年的研究历史。近些年随着深度学习技术的火热发展，目标检测算法也从基于手

工特征的传统算法转向了基于深度神经网络的检测技术。从最初2013年提出的R-CNN、

OverFeat，到后面的Fast/FasterR-CNN，SSD，YOLO系列，再到2018年最近的Pelee。

短短不到五年时间，基于深度学习的目标检测技术，在网络结构上，从twostage到one

stage，从bottom-uponly到Top-Down，从singlescalenetwork到featurepyramid

network，从面向PC端到面向手机端，都涌现出许多好的算法技术，这些算法在开放目

标检测数据集上的检测效果和性能都很出色。

深度神经网络的提出极大地帮助基于视觉的目标检测提高了准确度。自2014年以来，

深度神经网络在基于视觉的目标检测中被广泛应用，出现了多种算法。本论文分别讨论

两阶段和一阶段算法的主要思路、发展过程以及实现效果等，最后结合相关领域的一些

成果讨论基于视觉的目标检测未来可能的应用模式。

关键词：目标检测，神经网络，R-CNN，SSD，YOLO

1.1研究背景及意义

当人类首次发明计算机时，就已经开始思考如何让计算机变得智能。如今，人工智能

（artificialintelligence）已经成为一个非常火热的领域，并且具有众多活跃的研究

课题以及惠及生活方方面面的实际应用。这个领域目前正在以几何倍的速度增长着，并

且未来也将持续健康发展。人们希望可以借助人工智能自动地处理一些主观的，非规范

性的事物，如识别图像等。

在人工智能发展初期，计算机很容易处理一些人类很难甚至是无法解决的问题，这些

问题可以用一种形式化的数学规律来描述。人工智能真正面临的任务是那些很难用形式

基于深度神经网络目标检测算法研究--第1页

基于深度神经网络目标检测算法研究--第2页

化符号描述的任务，当然对于人类来说很容易执行。举个例子，人们能够轻松识别对方

说的话，也能够轻易识别图像中的物体。对于这类问题，计算机却无法给出自己的判断。

计算机很擅长助理抽象和形式化的任务，但是人类却觉得这是很困难的脑力劳动。早

在上个世纪，计算机就在国际象棋方面战胜了人类选手。但一直到最近几年，计算机才

在语音和图像识别任务中达到人类一般水平。通常一个人的思维发育需要海量有关外界

的知识。相当一部分领域的知识是主观的，并且很难用形式化的结构表示清楚。同人类

一样，计算机也要获得同样数量级的知识才能表现得智能化。因此，对于研究人工智能

领域的学者来说，关键的挑战就是如何将这些主观的、非形式化的知识教会计算机来学

习。

人工智能系统需要具备从原始数据中拟合模型的能力，也就是自主学习的能力。我们

通常称这种拟合的能力叫机器学习（machinelearning）。利用机器学习，计算机能够拟

合出关于真实事物的近似模型，并对相似事物做出判断。目前主流的机器学习的工作都

是经过两个步骤，首先人工选定一个特征集合，然后将原始数据提交给模型，根据选定

特征拟合出决策模型。

现实中的事物极其复杂，人们很难深入到事物内部看清本质，很难知道哪些特征是重

要的，甚至不知道什么才是真正的特征。研究生物神经网络带给我们的启示就是