王慧勇, 殷 明

(合肥工业大学 数学学院,安徽 合肥 230601)

0 引 言

计算机视觉领域包含如下几个基本的视觉任务:图像分类、目标检测、语义分割和实例分割等。图像分类识别给定图像中对象的语义类别;目标检测不仅可以识别对象类别,还可以通过边界框预测每个对象的位置;语义分割则是逐个像素的分类器,以便为每个像素分配特定的类别标签,不能区分相同类别的多个对象;实例分割识别不同的对象,并为每个对象分配一个单独的像素级分类标签。其中,目标检测负责在数字图像中检测特定类(例如人、动物或汽车)目标。目标检测作为计算机视觉的基本问题之一,是许多其他计算机视觉任务的基础,如实例分割、图像字幕、目标跟踪等。从应用角度来看,目标检测可以分为通用目标检测和特定场景下的目标检测2个研究主题。通用目标检测需要识别不同类型的目标来模拟人类的视觉和认知;特定场景下的目标检测应用在特定的应用场景下,如行人检测、人脸检测、文本检测等。

普遍认为,目标检测的发展大致经历了2个阶段:传统的目标检测阶段和基于深度学习的检测阶段。传统的目标检测算法大多是基于手工特征构建的。由于当时缺乏有效的图像表示,只能设计复杂的特征表示和各种加速技术来充分利用有限的计算资源。

与传统检测算法使用的基于手工设计的特征描述相比,深度卷积神经网络从原始像素到高级语义信息生成分层的特征表示形式,这些特征表示形式是从训练数据中自动获取的。……