王迪聪，白晨帅，邬开俊+

1.兰州交通大学 电子与信息工程学院，兰州730070

2.天津大学 智能与计算学部，天津300350

Hinton 等人[1]在2015 年提出了通过神经网络对多媒体数据中的高级特征进行自动学习，自此，深度学习在包括分类、分割、检测等计算机视觉（computer vision，CV）任务中得到了广泛的应用。基于深度学习的目标检测也成为了非常热门的研究领域[2-5]。作为计算机视觉中的基础任务，使得场景分析和理解能够顺利进行，而视频中的目标检测则更加贴近真实场景的任务需求，如视频监控、自动驾驶、无人机导航[6-7]等。与静态图像的目标检测不同，由于视频中的目标是不断变化的，而这些变化对检测的效果会产生非常重要的影响，这是解决视频目标检测问题的重点也是难点。

传统的特征判别方法有以下四种：方向梯度直方图（histogram of oriented gradient，HOG）[8]、尺度不变特征变换（scale-invariant feature transform，SIFT）[9]、滑动窗口[8]和局部形变模型（deformable part model，DPM）[10]及其扩展。在目标检测中，因传统的滑动窗口方法会消耗很大的计算资源，后来逐步被候选窗口所代替，而目前较为通用的方法为选择搜索（selective search）[11]和边缘窗口（edge-box）[12]，但其速度依然很慢。

在网络方面，随着深度学习的不断发展，神经网络迅速涵盖了计算机视觉的各领域，通过增加网络的层数，使得神经网络的解析能力更强。在数据方面，ImageNet[13]、MS COCO（Microsoft common objects in context）[14]等大型数据集的建立促使网络越深性能越好成为了可能。由于当时算力的限制，只有七层的卷积神经网络AlexNet[15]在2012年的ILSVRC（ImageNet large scale visual recognition challenge）图像分类大赛中以高出第二名十多个百分点的绝对优势摘得桂冠，其性能也在检测、识别等领域得到了广泛验证。……