APP下载

多尺度目标检测的深度学习研究综述*

2021-05-23陈科圻朱志亮邓小明马翠霞王宏安

软件学报 2021年4期
关键词:特征检测

陈科圻 ,朱志亮 ,邓小明 ,马翠霞 ,王宏安

1(中国科学院大学 计算机科学与技术学院,北京 100190)

2(计算机科学国家重点实验室(中国科学院 软件研究所),北京 100190)

3(人机交互北京市重点实验室(中国科学院 软件研究所),北京 100190)

4(华东交通大学 软件学院,江西 南昌 330013)

目标检测是一个重要的计算机视觉任务.它由图像分类任务发展而来,区别在于不再仅仅只对一张图像中的单一类型目标进行分类,而是要同时完成一张图像里可能存在的多个目标的分类和定位,其中分类是指给目标分配类别标签,定位是指确定目标的外围矩形框的顶点坐标.因此,目标检测任务更具有挑战性,也有着更广阔的应用前景,比如自动驾驶、人脸识别、行人检测、医疗检测等等.同时,目标检测也可以作为图像分割、图像描述、目标跟踪、动作识别等更复杂的计算机视觉任务的研究基础.

目标检测算法主要分为3 个步骤:图像特征提取、候选区域生成与候选区域分类.其中,图像特征提取是整个检测流程的基石.传统算法普遍是基于人工设计的特征算子来描述图像,例如SIFT 特征[1]、HOG 特征[2]等等.这些特征算子普遍是基于底层视觉特征来设计的,因此很难获取复杂图像里的语义信息.2012 年,Krizhevsky 等人[3]提出的AlexNet 在ILSVRC 挑战赛[4]的图像分类任务上以显著优势夺得了冠军,让人们看到了卷积神经网络强大的特征表示能力.自此,基于深度学习的研究热潮拉开了帷幕.在之后的几年里,VGGNet[5]、GoogLeNet[6]、ResNet[7]等更强大的分类……

登录APP查看全文

猜你喜欢

特征检测
如何表达“特征”
不忠诚的四个特征
小波变换在PCB缺陷检测中的应用
线性代数的应用特征