文献类型：期刊文章

作　　者：张婷婷[1] 章坚武[1] 郭春生[1] 陈华华[1] 周迪[2] 王延松[3] 徐爱华[2]

ZHANG Tingting;ZHANG Jianwu;GUO Chunsheng;CHEN Huahua;ZHOU Di;WANG Yansong;XU Aihua(Hangzhou Dianzi University,Hangzhou 310018,China;Zhejiang Uniview Technologies Co.,Ltd.,Hangzhou 310051,China;Zhijiang Lab,Hangzhou 311121,China)

机构地区：[1]杭州电子科技大学通信工程学院,浙江杭州310018 [2]浙江宇视科技有限公司,浙江杭州310051 [3]之江实验室,浙江杭州311121

出　　处：《电信科学》

基　　金：国家自然科学基金资助项目(No.U1866209,No.61772162);国家重点研发计划基金资助项目(No.2018YFC0831503);浙江省自然科学基金资助项目(No.LYl6F020016);浙江省重点研发计划基金资助项目(No.2018C01059,No.2019C01062)。

年　　份：2020

卷　　号：36

期　　号：7

起止页码：92-106

语　　种：中文

收录情况：JST、NSSD、RCCSE、ZGKJHX、普通刊

摘　　要：图像目标检测是找出图像中感兴趣的目标,并确定他们的类别和位置,是当前计算机视觉领域的研究热点。近年来,由于深度学习在图像分类方面的准确度明显提高,基于深度学习的图像目标检测模型逐渐成为主流。首先介绍了图像目标检测模型中常用的卷积神经网络;然后,重点从候选区域、回归和anchor-free方法的角度对现有经典的图像目标检测模型进行综述;最后,根据在公共数据集上的检测结果分析模型的优势和缺点,总结了图像目标检测研究中存在的问题并对未来发展做出展望。

关 键 词：计算机视觉 图像目标检测  深度学习  图像分类

分 类 号：TP393]