目的检测方法扼要综述

《目的检测方法扼要综述》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

目的检测方法扼要综述龙源期刊网文档视界2022/135320fef042336c1eb91a37f111f18582d00c59uum3msaoi0d.html目的检测方法扼要综述栗佩康袁芳芳李航涛来源：（科技风）2020年第18期摘要：目的检测是计算机视觉领域中的重要问题，是人脸识别、车辆检测、路网提取等领域的理论基础。随着深度学习的快速发展，与基于滑窗以手工提取特征做分类的传统目的检测算法相比，基于深度学习的目的检测算法无论在检测精度上还是在时间复杂度上都大大超过了传统算法，本文将简单介绍目的检测算法的发展历程。关键词：目的检测;机器学习;深度神经网络目的检测的目的可分为检测图像中感兴趣目的的位置和对感兴趣目的进行分类。目的检测比低阶的分类任务复杂，同时也是高阶图像分割任的重要基础;目的检测也是人脸识别、车辆检测、路网检测等应用领域的理论基础。

1传统的目的检测算法是基于滑窗遍历进行区域选择，然后使用HOG、SIFT等特征对滑窗内的图像块进行特征提取，最后使用SVM、AdaBoost等分类器对已提取特征进行分类。手工构建特征较为复杂，检测精度提升有限，基于滑窗的算法计算复杂度较高，此类方法的发展停滞，本文不再展开。近年来，基于深度学习的目的检测算法成为主流，分为两阶段和单阶段两类：两阶段算法先在图像中选取候选区域，然后对候选区域进行目的分类与位置精修;单阶段算法是基于全局做回归分类，直接产生目的物体的位置及类别。单阶段算法更具实时性，但检测精度有损失，下面介绍这两类目的检测算法。1基于候选区域的两阶段目的检测方法率先将深度学习引入目的检测的是Girshick[1]于2021年提出的区域卷积神经网络目的检测模型〔R-CNN〕。首先使用区域选择性搜索算法在图像上提取约2000个候选区域，然后使用卷积神经网络对各候选区域进行特征提取，接着使用SVM对候选区域进行分类并利用NMS回归目的位置。与传统算法相比，R-CNN的检测精度有很大提升，但缺点是：由于全连接层的限制，输入CNN的图像为固定尺寸，且每个图像块输入CNN单独处理，无特征提取分享，重复计算;选择性搜索算法仍有冗余，消耗时间等。

2基于R-CNN只能接受固定尺寸图像输入和无卷积特征分享，He[2]于2021年参考金字塔匹配理论在CNN中参加SPP-Net构造。该构造复用第五卷积层的特征响应图，将任意尺寸的候选区域转为固定长度的特征向量，最后一个卷积层后接入的为SPP层。该方法只对原图做一