基于深度卷积网络的目标检测综述

在基于区域的卷积神经网络提出后,深度卷积网络开始在目标检测领域普及,更快的基于区域的卷积神经网络将整个目标检测过程合成在一个统一的深度网络框架上.随后YOLO和SSD等目标检测框架的提出进一步提升目标检测的效率.文中系统总结基于深度网络的目标检测方法,归为2类:基于候选窗口的目标检测框架和基于回归的目标检测框架.基于候选窗口的目标检测框架首先需要在输入的图像上产生很多的候选窗口,然后对这些候选窗口进行判别.这里的判别包括:对窗口包含物体的类别(包括背景)进行判断、对窗口的位置进行回归.基于回归的目标检测方法将图像目标检测看作是一个回归的过程.在此基础上,在PASCAL_VOC和COCO等主流数据库上对比目前两类目标检测框架中的主流方法,分析两类方法各自的优势.最后根据当前深度网络目标检测方法的发展趋势,对目标检测方法未来的研究热点做出合理预测.     

基于深度学习的目标检测算法综述

深度学习目前已广泛应用到各个领域,目标检测是计算机视觉领域中的基础问题。针对传统目标检测算法存在的效率低、鲁棒性差等问题,基于深度学习的目标检测算法很好地提高了目标检测效率,成为主流趋势。论文对一些典型的基于深度学习的目标检测算法进行了综述,主要分为基于区域思想和基于回归思想两方面,对算法结构进行了分析和对比,最后对基于深度学习的目标检测算法的发展进行了展望。     

融合候选区域提取与SSAE深度特征学习的心脏MR图像左心室检测

左心室检测在计算机辅助心脏MR图像诊断方面具有重要价值,针对由于成像质量、部分容积效应、目标复杂多变等因素影响,导致左心室自动检测准确度较低的问题,提出一种融合候选区域提取与栈式稀疏自编码器(SSAE)深度特征学习的心脏MR图像左心室检测方法.在候选区域提取阶段,先用超像素算法产生初始区域,然后对SSAE学习到的深度特征采用层次聚类算法生成候选区域;在检测阶段,先使用SSAE提取候选区域的深度特征,然后训练SVM分类器对候选区域进行分类,并使用难分负样本挖掘算法对模型进行调节.对心脏图谱数据集左心室目标检测的实验结果表明,相对于手工特征及基于候选区域等方法,该方法取得了有竞争力的检测精度.     

基于优化候选区域的战场目标检测研究

针对Faster R-CNN算法对战场小型目标和遮挡目标的检测存在耗时且检测精度低的问题,提出基于优化候选区域的Faster R-CNN算法.算法使用改进的区域提取网络(Region Proposal Networks,RPN)提取候选区域并通过误差比较的方法优化候选区域,同时,引入排斥损失来优化遮挡目标的候选区域.优化后的候选区域和特征图进入检测网络,完成目标的分类和位置回归.在坦克装甲目标数据集上进行实验,结果表明:与传统检测算法相比,所提算法在检测速率和平均精度方面的性能更优.     

结合候选区域距离度量学习与CNN分类回归联合的左心室检测

心脏MRI左心室自动检测在心脏疾病计算机辅助诊断中具有重要价值,针对左心室候选区域与周边组织分布复杂而导致区分度低的问题,提出结合候选区域2级距离度量学习与CNN分类回归联合学习的左心室检测方法.在候选区域生成阶段,利用超像素产生初始区域并合并为中间区域,设计有监督的2级距离度量学习算法,融合中间区域来构建目标候选区域;在检测阶段,以CNN分类与回归联合学习的方式定位候选区域,并设计难例样本挖掘策略对模型进行微调,以缓解样本不均衡问题.将该方法与扩展的4种变体方法(改变或舍弃部分模块)在公开心脏图谱数据集(CAP)上进行了实验,结果表明该方法中各模块设置具有合理性;与FastR-CNN和基于SSAE方法的检测结果相比,该方法取得了较高的检测精度.     

基于卷积神经网络的图像目标检测优化算法研究

文章提出基于卷积神经网络的图像目标检测优化算法。以最小代价函数作为卷积神经网络的学习目标,构建图像目标检测的深度残差网络模型,通过感兴趣区域网络获取图像目标候选区域,获取图像目标的分类层输出和预测层输出。实验结果表明：该算法检测到图像精度在97.36%以上。     

基于多任务深度卷积神经网络的显著性对象检测算法

针对当前基于深度学习的显著性对象检测算法不能准确保存对象边缘的区域,从而导致检测出的显著性对象边缘区域模糊、准确率不高的问题,提出了一种基于多任务深度学习模型的显著性对象检测算法。首先,基于深度卷积神经网络（CNN）,训练一个多任务模型分别学习显著性对象的区域和边缘的特征;然后,利用检测到的边缘生成大量候选区域,再结合显著性区域检测的结果对候选区域进行排序和计算权值;最后提取出完整的显著性图。在三个常用标准数据集上的实验结果表明,所提方法获得了更高的准确率,其中F-measure比基于深度学习的算法平均提高了1.9%,而平均绝对误差（MAE）平均降低了12.6%。     

基于anchor-free的交通场景目标检测技术

在智能交通领域使用深度学习的方法进行目标检测已成为研究热点。当下经典的目标检测算法,无论是基于回归的单阶目标检测模型还是基于候选区域的二阶段目标检测模型,大部分是利用大量预定义的先验框anchor枚举可能的位置、尺寸和纵横比的方法来搜索对象,往往会造成正负样本严重不均衡的问题,模型的性能和泛化能力也受到anchor自身设计的限制。针对基于anchor的目标检测算法存在的问题,利用单阶目标检测网络RetinaNet,对交通场景中的车辆、行人和骑行者建立基于anchor-free的目标检测模型,采用逐像素预测的方式处理目标检测问题,并添加中心性预测分支,提升检测性能。实验表明,与基于anchor的原RetinaNet算法相比,改进的基于anchor-free的目标检测模型算法能够对交通场景中的车辆、行人、骑行者实现更好的识别。     

深度卷积神经网络的目标检测算法综述

目标检测是计算机视觉中的核心任务之一,在智能视频监控、自动化监测、工业检测等领域应用广泛。近些年来,随着深度学习的快速发展,基于深度卷积神经网络的目标检测算法逐渐替代了传统的目标检测算法,成为了该领域的主流算法。介绍了目标检测算法的常用数据集和性能评价指标,介绍了卷积神经网络的发展,重点分析比较了两阶段目标检测算法和单阶段目标检测算法,展望了基于深度卷积神经网络的目标检测算法未来的发展。     

深度卷积神经网络在目标检测中的研究进展

深度卷积神经网络以多层次的特征学习与丰富的特征表达能力,在目标检测领域取得了突破进展。概括了卷积神经网络在目标检测领域的研究进展,首先回顾传统目标检测的发展及存在的问题,引出卷积神经网络的目标检测基本原理和基本训练方法;然后分析了以R-CNN为代表的基于区域建议的目标检测框架,介绍以YOLO算法为代表的将目标检测归结为回归问题的目标检测框架;最后,对目前目标检测的一些问题进行简要总结,对未来深度卷积神经网络在目标检测的发展进行了展望。     

深度学习目标检测方法综述

随着深度学习在目标检测领域的大规模应用,目标检测技术的精度和速度得到迅速提高,已被广泛应用于行人检测、人脸检测、文字检测、交通标志及信号灯检测和遥感图像检测等领域.本文在基于调研国内外相关文献的基础上对目标检测方法进行了综述.首先介绍了目标检测领域的研究现状以及对目标检测算法进行检验的数据集和性能指标.对两类不同架构的...     

基于深度学习的单目标跟踪算法综述

单目标跟踪是计算机视觉领域中的研究热点.传统算法如相关滤波的跟踪速度较快,但由于提取到的颜色、灰度等手工特征较为粗糙,跟踪精度往往不高.近年来随着深度学习理论的发展,使用深度特征的跟踪方法能够在跟踪的精度和速度方面达到很好的平衡.本文首先介绍单目标跟踪的相关背景,接着从相关滤波单目标跟踪、深度学习单目标跟踪两个阶段对单...     

基于改进PVANet的实时小目标检测方法

现有目标检测算法主要以图像中的大目标作为研究对象,针对小目标的研究比较少且存在检测精确度低、无法满足实时性要求的问题,基于此,提出一种基于深度学习目标检测框架PVANet的实时小目标检测方法。首先,构建一个专用于小目标检测的基准数据集,它包含的目标在一幅图像中的占比非常小且存在截断、遮挡等干扰,可以更好地评估小目标检测方法的优劣;其次,结合区域建议网络（RPN）提出一种生成高质量小目标候选框的方法以提高算法的检测精确度和速度;选用step和inv两种新的学习率策略以改善模型性能,进一步提升检测精确度。在构建的小目标数据集上,相比原PVANet算法平均检测精确度提高了10.67%,速度提升了约30%。实验结果表明,该方法是一个有效的小目标检测算法,达到了实时检测的效果。     

基于深度学习的目标检测算法综述

传统目标检测算法大多基于滑动窗口和人工特征提取,存在计算复杂度高和在复杂场景下鲁棒性差的缺点。近年来,研究人员将深度学习技术应用于目标检测领域,显著提高了算法性能。相比传统算法,基于深度学习的目标检测算法具有速度快、准确性高和在复杂条件下鲁棒性强的优点。从评价指标、公开数据集、传统算法框架等方面对目标检测任务进行阐述,按照是否存在显式的区域建议和是否定义先验锚框两种分类标准,对现有基于深度学习的目标检测算法进行分类,分别介绍算法的演进路线并总结算法机制、优势、局限性及适用场景。在此基础上,分析对比代表性算法在公开数据集中的表现,并对基于深度学习的目标检测的未来研究方向进行展望。     

目标检测算法研究综述

目标检测是计算机视觉中一个重要问题,在行人跟踪、车牌识别、无人驾驶等领域都具有重要的研究价值。近年来,随着深度学习对图像分类准确度的大幅度提高,基于深度学习的目标检测算法逐渐成为主流。梳理了目标检测算法的发展与现状,并作出展望：总结了传统算法与引入深度学习的目标检测算法的发展、改进与不足,并就此做出对比;最后讨论了基于深度学习的目标检测算法所存在的困难与挑战,并就可能的发展方向进行了展望。     

经典YOLO系列目标检测算法及其在乳腺癌检测中的应用

目前乳腺癌已取代肺癌成为年发病率最高的癌症, 基于深度学习的目标检测技术可对乳腺X线、乳腺超声和乳腺核磁共振等非侵入式成像进行自动病变检测, 已成为乳腺癌辅助诊断的首选途径. YOLO (you only look once)系列算法是基于深度学习的目标检测算法, 经典YOLO算法在速度和精准度具有优势, 被广泛应用于计算机视觉各领域, 最新YOLO算法是计算机视觉领域的SOTA (state of the art)模型, 如何利用YOLO系列算法提高乳腺癌检测速度和准确率, 已经成为研究者关注的焦点之一. 基于此, 本文介绍经典YOLO系列算法的原理, 梳理经典YOLO系列算法在乳腺癌图像检测中的应用现状, 并归纳总结现存问题, 同时对YOLO系列算法在乳腺癌检测的进一步应用进行展望.     

深度学习典型目标检测算法的改进综述

目标检测是机器视觉领域内最具挑战性的任务之一,深度学习则是目标检测最主流的实现方法.近年来,深度学习理论及技术的快速发展,使得基于深度学习的目标检测算法取得了巨大进展,学者从数据处理、网络结构、损失函数等多方面入手,提出了一系列对于目标检测算法的改进方式.针对典型目标检测算法的改进方式进行综述.归纳了常用数据集和性能评...     

目标跟踪算法综述

目标跟踪一直以来都是计算机视觉领域的关键问题,最近随着人工智能技术的飞速发展,运动目标跟踪问题得到了越来越多的关注.本文对主流目标跟踪算法进行了综述,首先,介绍了目标跟踪中常见的问题,并由时间顺序对目标跟踪算法进行了分类:早期的经典跟踪算法、基于核相关滤波的跟踪算法以及基于深度学习的跟踪算法.接下来,对每一类中经典的跟踪算法的原始版本和各种改进版本做了介绍、分析以及比较.最后,使用OTB-2013数据集对目标跟踪算法进行测试,并对结果进行分析,得出了以下结论:1）相比于光流法、Kalman、Meanshift等传统算法,相关滤波类算法跟踪速度更快,深度学习类方法精度高.2）具有多特征融合以及深度特征的追踪器在跟踪精度方面的效果更好.3）使用强大的分类器是实现良好跟踪的基础.4）尺度的自适应以及模型的更新机制也影响着跟踪的精度.     

一种新颖的单目视觉深度学习算法:H_SFPN

针对单目视觉目标检测,提出了一种基于single-stage深度学习的H_SFPN算法。该算法与现有的YOLOv3和CenterNet算法相比,在保证实时性能的条件下,可有效提高小目标检测的准确度。首先设计了一种新的网络架构(backbone),这种架构通过改进的沙漏(Hourglass)网络模型来提取特征图,以便充分利用底层特征的高分辨率以及高层特征的高语义信息。然后在特征图融合阶段提出了基于SFPN的特征图加权融合方法。最后,H_SFPN算法对目标位置和大小的损失函数进行了改进,可有效降低训练误差,并加快收敛速度。由MSCOCO数据集上的实验结果可知,所提H_SFPN算法明显优于Faster-RCNN,YOLOv3以及EfficientDet等现有的主流深度学习目标检测算法,其中对小目标的检测指标AP s最高,达到了32.7。