文献类型：期刊文章

作　　者：王鑫鹏[1] 王晓强[1] 林浩[2] 李雷孝[3] 杨艳艳[3] 孟闯[3] 高静[4]

WANG Xinpeng;WANG Xiaoqiang;LIN Hao;LI Leixiao;YANG Yanyan;MENG Chuang;GAO Jing(College of Information Engineering,Inner Mongolia University of Technology,Hohhot 010080,China;College of Computer Science and Engineering,Tianjin University of Technology,Tianjin 300384,China;College of Data Science and Application,Inner Mongolia University of Technology,Hohhot 010080,China;College of Computer and Information Engineering,Inner Mongolia Agricultural University,Hohhot 010011,China)

机构地区：[1]内蒙古工业大学信息工程学院,呼和浩特010080 [2]天津理工大学计算机科学与工程学院,天津300384 [3]内蒙古工业大学数据科学与应用学院,呼和浩特010080 [4]内蒙古农业大学计算机与信息工程学院,呼和浩特010011

出　　处：《计算机工程与应用》

基　　金：内蒙古自治区关键技术攻关计划(2019GG273);内蒙古自治区科技成果转化专项(2020CG0073,2021CG0033);内蒙古自治区科技重大专项(2019ZD015,2019ZD016);内蒙古自治区科技计划(2020GG0104)。

年　　份：2022

卷　　号：58

期　　号：6

起止页码：42-57

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD_E2021_2022、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：目标检测是机器视觉领域内最具挑战性的任务之一,深度学习则是目标检测最主流的实现方法。近年来,深度学习理论及技术的快速发展,使得基于深度学习的目标检测算法取得了巨大进展,学者从数据处理、网络结构、损失函数等多方面入手,提出了一系列对于目标检测算法的改进方式。针对典型目标检测算法的改进方式进行综述。归纳了常用数据集和性能评价指标,并对数据集的特点、优势及应用领域进行了对比。梳理了典型的基于深度学习的目标检测算法的最新改进思路,从数据增强、先验框选择、网络模型的构建、预测框的选取及损失计算几个方面分别进行论述、总结与对比分析。结合当前存在的问题,展望了基于深度学习的典型目标检测算法的未来研究方向。

关 键 词：深度学习  目标检测 数据增强  网络结构 损失计算

分 类 号：TP391.41]