基于深度卷积神经网络的目标检测 - 论文 

第35卷 第8期 2019年8月

福 建 电 脑 Journal of Fujian Computer

Vol. 35 No.8

Aug. 2019

基于深度卷积神经网络的目标检测

程胜月 张德贤 (河南工业大学信息科学与工程学院 郑州 450001)

摘 要 目标检测是计算机视觉领域中最基本、最具挑战性的课题之一，由于传统检测方法已经不能满足其在精度和速度上需求，深度学习利用其对图像特征强大地分析处理能力，逐渐成为目标检测的主流方向。本文首先对主流卷积神经网络框架进行简述，其次对目标检测中的几种重要的方法具体分析，最后对未来可能的发展方向进行讨论。 关键词 目标检测；卷积神经网络；RCNN；YOLO；SSD 中图法分类号 TP183 DOI:10.16707/j.cnki.fjpc.2019.08.009

Target Detection Based on Deep Convolutional Neural Networks

CHENG Shengyue, ZHANG Dexian

(School of Information Science and Engineering, Henan University of Technology, Zhengzhou,China, 450001)

1引言

目标检测作为计算机视觉的基本问题之一，是

许多其他计算机视觉任务的基础，如实例分割、图像处理、对象跟踪等[1]。目前，目标检测已广泛应用于无人驾驶、安防监管、视频分析等领域。

传统目标检测方法包含预处理、窗口滑动、特征提取、特征选择、特征分类、后处理等步骤。而卷积神经网络本身具有特征提取、特征选择和特征分类的功能，所以在现在计算能力充足的情况下得到充分发展。

局部响应归一化来提高模型的泛化能力。 2.2 VGGNet

VGGNet获得了2014年ILSVRC比赛的亚军和目标定位的冠军。到目前为止，VGGNet依然被广泛使用来提取图像的特征。VGGNet主要是证明了增加网络的深度可以提高最终的性能。 2.3 GoogleNet

GoogleNet分析得出增加网络的深度和宽度可以提升性能，但同时不可避免的增加参数，造成过拟合和计算量过大。因此提出Inception结构将稀疏矩阵聚类成相对稠密的子空间矩阵提高计算性能。 2.2 ResNet

ResNet指出随着卷积神经网络深度的增加，却出现梯度消失现象造成准确率的下降。ResNet通过恒等映射解决深层网络梯度消失问题，大幅度提升深度卷积网络的性能。

2主流深度卷积网络的发展

1998年Yann LeCun提出的LeNet-5网络是首次成功应用于数字识别问题的卷积神经网络。但是由于当时计算能力不足，未能受到重视。直到2012年AlexNet在ImageNet图像分类任务竞赛中获得冠军，目标检测才迎来深度卷积神经网络的时代。 2.1 AlexNet

AlexNet由5个卷积层和3个全连接层组成，使用数据增广和Dropout防止过拟合，并且提出了

3目标检测算法

手工设计特征的目标检测方法在2010年左右

———————————————

程胜月，男，1995生，硕士研究生，研究方向为深度学习。E-mail:2968365693@qq.com。张德贤，男，1961生，博士，研究方向为模式识别、人工智能信息处理。