宁 健，马 淼，柴立臣，冯中营

（太原工业学院理学系 山西 太原 030008）

0 引言

深度学习是对人工神经网络进行改进形成的，为一种常用的人工智能技术，其中含多个隐藏层。这种技术主要是对低层特征进行一定模式的组合而形成高层次的特征，为数据分析提供支持[1]。在这场深度学习中，这种神经网络有很高应用价值，目前人工智能中有着非常重要的地位。

目标检测，主要是根据目标的相关特征对图像进行分割，从而实现目标识别目的。基于深度学习的目标检测算法在步骤上包括双阶段（two-stage）和单阶段（onestage）两种目标检测框架。前一种框架在处理过程中先确定出样本的候选框，接着对样本通过CNN网络分类；后一种框架在处理时不产生候选框，直接在一定回归分析基础上实现目标检测。对比分析可知这两种方法的特性明显不同，前者所得结果更准确，不过实时性差，后者速度上占优。各经典算法及主流特征提取网络出现的时间[2]，如图1所示。

图1 各经典算法及主流特征提取网络出现的时间

1 基于区域提取目标检测框架

区域提取算法的核心框架是卷积神经网络CNN，对这种网络的研究可追溯至神经认知机，神经认知机的主要特征表现为具有深度结构，属于一种研究相对深入的深度学习算法。根据相关资料可知这种网络中，隐含层是S层和C层组合形成的，在运行过程中二者分别用于提取和接收图像特征的功能。20世纪80年代 LECUN等[3]对这种模型进行改进和优化，建立起功能更强大的LeNet-5网络，然后通过其识别手写数字，结果发现其可以很好地满足应用要求。……