陈影

（合肥工业大学数学学院,合肥230009）

0 引言

简单来说，计算机视觉是处理数字可视化数据（或任何可视化数据）的算法、方法和技术。目标检测则是计算机视觉中的一个基本的视觉识别任务，旨在在给定图像中找到具有精确定位的特定目标类的对象［1］。近年来，基于深度学习的目标检测技术一直得到广泛的研究而不断发展。

常用的目标检测模型包括Faster R-CNN［2］，SSD［3］，YOLO［4-7］等。Faster R-CNN的网络结构可以分成两个部分。一个是用来生成候选区域（Region Proposal）的深层全卷积网络（RPN），另一部分则是Faster R-CNN检测器，其输入是由前一部分RPN网络所生成的候选区域。其中，RPN使用基础网络通过一系列卷积和池化操作来提取图像的特征，获得原始特征图，然后在原始特征图之后连接卷积层和ReLU层，来得到图像候选区域的特征图。特征图的每个点的输出包括k个锚点，是否有目标，以及k个候选区域的坐标值。

上述Faster R-CNN可以看作是经典的“twostage”目标检测器，对小目标检测效果极佳。而SSD方法不同于Faster R-CNN，是一种检测速度很快的“one-stage”方法［3］。与Faster R-CNN类似，SSD也提出了锚点的概念。卷积输出的特征图中的每个点对应于原始图像区域的中心点。然后以该点为中心，可以构造六个具有不同宽高比和不同大小的锚点（即SSD中的默认框）。对于VOC数据集而言，SSD中每个锚点对应于4个位置参数（x，y，w，h）以及21个类别概率（包括20个对象类别概率，以及一个锚点是否是背景的描述）。

YOLO由Joseph Redmon在2016年提出，自此之后YOLO系列不断迭代发展，被广泛应用于有实时性需求的目标检测场景中，例如在无人驾驶、物流分类、军事打击等领域，得到了广泛的认可。……