文献类型：期刊文章

作　　者：程旭[1] 宋晨[1] 史金钢[2] 周琳[3] 张毅锋[3] 郑钰辉[1]

CHENG Xu;SONG Chen;SHI Jin-gang;ZHOU Lin;ZHANG Yi-feng;ZHENG Yu-hui(School of Computer and Software,Nanjing University of Information Science and Technology,Nanjing,Jiangsu 210044,China;School of Software Engineering,Xi’an Jiaotong University,Xi’an,Shaanxi 710049,China;School of Information Science and Engineering,Southeast University,Nanjing,Jiangsu 210096,China)

机构地区：[1]南京信息工程大学计算机与软件学院,江苏南京210044 [2]西安交通大学软件学院,陕西西安710049 [3]东南大学信息科学与工程学院,江苏南京210096

出　　处：《电子学报》

基　　金：国家自然科学基金(No.61802058,No.61911530397,No.61972206,No.61672293);江苏省自然科学基金(No.BK20201267);中国博士后科学基金(No.2019M651650)。

年　　份：2021

卷　　号：49

期　　号：7

起止页码：1428-1438

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：目标检测是计算机视觉领域中最基础且最重要的任务之一,是行为识别与人机交互等高层视觉任务的基础.随着深度学习技术的发展,目标检测模型的准确率和效率得到了大幅提升.与传统的目标检测算法相比,深度学习利用强大的分层特征提取和学习能力使得目标检测算法性能取得了突破性进展.与此同时,大规模数据集的出现及显卡计算能力的极大提高也促成了这一领域的蓬勃发展.本文对基于深度学习的目标检测现有研究成果进行了详细综述.首先回顾传统目标检测算法及其存在的问题,其次总结深度学习下区域提案和单阶段基准检测模型.之后从特征图、上下文模型、边框优化、区域提案、类别不平衡处理、训练策略、弱监督学习和无监督学习这八个角度分类总结当前主流的目标检测模型,最后对目标检测算法中待解决的问题和未来研究方向做出展望.

关 键 词：计算机视觉 深度学习  目标检测 卷积神经网络

分 类 号：TP391]