目标检测是计算机视觉中的一个重要问题,近年来传统检测方法已难以满足人们对目标检测效果的要求,随着深度学习在图像分类任务上取得巨大进展,基于深度学习的目标检测算法逐渐成为主流。对主流卷积神经网络的发展作一简述,并介绍几种基于深度学习的目标检测算法,同时对其存在的问题及未来可能的发展方向进行讨论。 基于深度学习的目标检测算法当前基于深度学习的目标检测算法主要有两类：一类是结合regionproposal和CNN的基于分类的R-CNN系列检测算法；一类是基于回归的检测算法。2.1基于分类的检测算法2.1.1R-CNN2014年Girshick等人设计了R-CNN框架，使目标检测取得巨大突破。其流程如图1所示，本文由公司网站滚圆机网站 转摘采集转载中国知网整理!   http://www.dapengkuoguanji.com/ 目标检测综述-数控滚圆机滚弧机折弯机张家港电动液压滚圆机滚弧机倒角机首先使用Selectivesearch算法在输入图像中提取大约2000个regionproposal；其次为使CNN有标准的输入需要将regionproposal的大小进行归一化；然后使用AlexNet提取特征；最后利用多个SVM进行分类，同时使用线性回归微调定位框。图1R-CNN结构示意图R-CNN的应用使得在PASCALVOC2007上的检测结果提升到了66%。然而R-CNN要对2000个左右的proposal分别进行特征提取，计算量大且处理速度慢。此外该算法将训练分为多个阶段导致步骤繁琐。2.1.2SPP-Net为得到更快速更准确的算法，He等人提出了SPP-Net。如图2所示，针对R-CNN对每个proposal分别提取特征的缺点，SPP-Net对整张图像只进行一次卷积提取特征操作，后将regionproposal在原图的位置映射到卷积层特征图上。此外为避免对regionproposal进行归一化操作，SPP-Net在最后一个卷积层后加入了空间金字塔池化层（SPP），用于提取固定尺寸的特征向量。SPP-Net使得检测速度得到了很大提升，然而同R-CNN一样，训练步骤依然繁琐。图2SPP-Net结构示意图基金项目：河北省研究生创新资助项目（CXZZSS20181）。作者简介：李丹（1993-），女，山西运城人，河北地质大学在读硕士研究生，主要从事机器学习与计算机视觉研究。目标检测综述-数控滚圆机滚弧机折弯机张家港电动液压滚圆机滚弧机倒角机本文由公司网站滚圆机网站 转摘采集转载中国知网整理!   http://www.dapengkuoguanji.com/