文献类型：期刊文章

作　　者：赵永强[1,2] 饶元[1,2] 董世鹏[1,2] 张君毅[1,2]

Zhao Yongqiang;Rao Yuan;Dong Shipeng;Zhang Junyi(Laboratory of Social Intelligence and Complex Data Processing,School of Software Engineering,Xi'an Jiaotong University,Xi'an 710049,China;Shenzhen Research Institution,Xi'an Jiaotong University,Shenzhen 518057,China)

机构地区：[1]西安交通大学软件学院社会智能与复杂数据处理实验室,西安710049 [2]西安交通大学深圳研究院,深圳518057

出　　处：《中国图象图形学报》

基　　金：国家自然科学基金项目(F020807);科技部重点研发计划项目(2019YFB2102300);教育部“云数融合”基金项目(2017B00030);中央高校基本科研业务项目(ZDYF2017006)。

年　　份：2020

卷　　号：25

期　　号：4

起止页码：629-654

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：目标检测的任务是从图像中精确且高效地识别、定位出大量预定义类别的物体实例。随着深度学习的广泛应用,目标检测的精确度和效率都得到了较大提升,但基于深度学习的目标检测仍面临改进与优化主流目标检测算法的性能、提高小目标物体检测精度、实现多类别物体检测、轻量化检测模型等关键技术的挑战。针对上述挑战,本文在广泛文献调研的基础上,从双阶段、单阶段目标检测算法的改进与结合的角度分析了改进与优化主流目标检测算法的方法,从骨干网络、增加视觉感受野、特征融合、级联卷积神经网络和模型的训练方式的角度分析了提升小目标检测精度的方法,从训练方式和网络结构的角度分析了用于多类别物体检测的方法,从网络结构的角度分析了用于轻量化检测模型的方法。此外,对目标检测的通用数据集进行了详细介绍,从4个方面对该领域代表性算法的性能表现进行了对比分析,对目标检测中待解决的问题与未来研究方向做出预测和展望。目标检测研究是计算机视觉和模式识别中备受青睐的热点,仍然有更多高精度和高效的算法相继提出,未来将朝着更多的研究方向发展。

关 键 词：目标检测 深度学习  小目标  多类别  轻量化

分 类 号：TP183]