文献类型：期刊文章

作　　者：段仲静[1] 李少波[1,2] 胡建军[2] 杨静[2] 王铮[2]

Duan Zhongjing;Li Shaobo;Hu Jianjun;Yang Jing;Wang Zheng(Key Laboratory of Advanced Manufacturing Technology of Ministry of Education,Guizhou University,Guiyang,Guizhou 550025,China;School of Mechanical Engineering,Guizhou University,Guiyang,Guizhou 550025,China)

机构地区：[1]贵州大学现代制造技术教育部重点实验室,贵州贵阳550025 [2]贵州大学机械工程学院,贵州贵阳550025

出　　处：《激光与光电子学进展》

基　　金：国家自然科学基金(51475097,91746116);工信部资助项目(工信部联装[2016]213号)、贵州省科技计划(黔科合平台人才[2015]4011;黔科合平台人才[2016]5103);黔教合协同创新字[2015]002;贵州省研究生创新基金(黔教合YJSCXJH[2018]052)。

年　　份：2020

卷　　号：57

期　　号：12

起止页码：51-66

语　　种：中文

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

摘　　要：目标检测作为机器视觉中重要任务之一,是人工智能体系中一个具有重要研究价值的技术分支。对于卷积神经网络框架、anchor-based模型和anchor-free模型三个主流的目标检测模型进行梳理。首先,综述了主流卷积神经网络框架的网络结构、优缺点以及相关的改进方法;其次从one-stage和two-stage两个分支对anchor-based类模型进行深入分析,总结了不同目标检测方法的研究进展;从早期探索、关键点和密集预测三部分分析anchor-free类模型。最后对该领域的未来发展趋势进行了思考与展望。

关 键 词：图像处理 深度学习  目标检测 网络框架 anchor-based模型  anchor-free模型  

分 类 号：TP391]