徐 融，邱晓晖

(南京邮电大学 通信与信息工程学院，江苏 南京 210003)

0 引 言

目标检测(object detection)是计算机视觉领域的基本任务之一，在学术界已有二十多年的研究历史[1]。传统的目标检测算法首先要在给定的图像上进行区域选择(滑窗)，然后对这些区域进行特征提取，最后使用训练好的分类器进行分类[2]。这类方法使用手工设计的特征，鲁棒性差，过程复杂。

近年来，随着卷积神经网络的发展，深度学习被广泛应用于目标检测。与传统的目标检测方法相比，使用深度学习进行检测具有很多优势。例如传统方法需要研究人员利用相关知识及经验手动提取特征，基于深度学习的方法可以通过大量数据学习相应数据差异的特征，并且所得到的特征更具代表性。深度学习模型通过模拟人脑的视觉感知系统，直接从原始图像中提取特征，并逐层传递，以获得图像的高维信息。目前优秀的深度学习模型大致可以分为两类：第一类模型将目标检测分为两步(two stage)进行，如R-CN[3]、SPP-Net[4]、Fast-RCNN[5]、Faster-RCNN[6]等，这类算法首先从目标图像的区域候选框中提取目标信息，然后利用检测网络对候选框中的目标进行位置的预测以及类别的识别；第二类模型则是基于端到端(one stage)进行的，如SSD[7]、YOLO[8-9]等，这类方法不需要从图像中预先提取候选网络，而是直接对图像中的目标进行位置的预测以及类别的识别。因此，第二类网络比第一类网络具有较快的检测速度。

为了提高网络目标检测的精度，文中以YOLO V3[10]为基础，在PASCAL VOC数据集上进行训练和测试。……