刘洪江,王 懋,刘丽华,吴继冰,黄宏斌

(国防科技大学信息系统工程重点实验室，湖南 长沙 410073)

1 引言

目标检测是计算机视觉研究领域的核心问题之一，其任务是找出图像中所有感兴趣的目标，并确定它们的类别和位置。传统的目标检测方法由区域选择、特征提取和分类器分类3个步骤组成，其由于存在区域选择策略没有针对性、时间复杂度高、手工设计的特征鲁棒性较差等特点，使得检测效果不理想。自深度学习运用到目标检测之后，目标检测技术取得了巨大的突破，现最瞩目的2个方向是以R-CNN(Region-based Convolutional Neural Network)系列[1 - 3]为代表的基于候选框(Region Proposal)的两阶段深度学习目标检测算法，和以YOLO(You Only Look Ocnce)系列[4 - 6]为代表的基于回归方法的单阶段深度学习目标检测算法。目前基于深度学习的目标检测在视频目标实时检测、人脸识别、行人检测、车辆检测、交通标识检测和医学影像识别等领域有广泛的应用。近几年的研究，产生了大量目标检测的改进算法。这些算法在各类数据集上取得的效果逐渐提升，但除缺乏高质量标注数据集外，仍有很多暂未解决的问题，例如，(1)对于遮挡面积较大的目标和小目标的检测效果不理想；(2)不能很好地区分图像中与目标物体外形相似的非目标物体；(3)自动驾驶或汽车辅助驾驶等对实时处理能力要求较高的应用场景的检测速度和精度仍较低；(4)基于小样本训练的检测模型效果不理想；(5)检测算法的性能和轻量化检测模型等关键技术仍存在挑战。……