基于深度學習的目標檢測算法綜述

趙梓杉，秦玉英，李 剛，衣明悅

（遼寧工業大學汽車與交通工程學院，遼寧 錦州 121001）

前言

如今，計算機視覺已然成為了一個普遍的研究范疇，主要包含以下幾個方面：圖像數字化處理、圖像的標準轉換、圖像效果增強、恢復、分割、特征檢測等[1-2]。

目前，以卷積神經網為基礎的目標檢測算法越來越受到學者們的重視，有許多結構簡單、運行效率高的網絡模型，可以大規模應用這些算法，但是面對目標檢測的難點，國內外的學者們提出了很多處理方案并進行了大批實驗。比如，Itti等人為了提取圖像中的特征，構建了選擇性注意機制[3]；Viola和Jones等提出一種級聯檢測器框架并成功應用于檢測人臉[4]；Navneet等人則提出Hog和SVM聯合使用的思想，Hog被用來進行圖像特征提取，用線性SVM作分類器，進行行人檢測[5-6]；Felzenszwalb等人提出基于組件的檢測方法DPM，對檢測對象的變形具備很強的魯棒性[7-9]。經過多年的研究和發展，最先進的目標檢測系統已與多種技術相結合在了一起，例如多尺度檢測，邊界框回歸、上下文啟動等[7]。

本文介紹了常用的數據集特點以及關于目標檢測算法性能評價的關鍵參數，對基于深度學習目前的主流的檢測算法進行了綜述，最后討論了目標檢測領域現存的問題，對該領域進行了展望，并分析了未來的可以繼續探究的方向。

1 常用數據集及性能評價

1.1 常用數據集

（1）COCO：數據集在是于2015年發布的一種基于日常復雜場景的常見目標數據庫，其中包含小目標和多目標等特點，包含了30多萬張完全分割的照片，平均每張圖像含有7個目標實體，共標注出250萬個目標對象，包括91種類別[10]。

（2）TinyPerson：中國科學院提交的一種只包含人類數據集，其中訓練集與測試集各包含近800張左右的照片[11]。

（3）ImageNet：2010年首次推出，之后增加了目標的類別和數量，提高了目標檢測任務評價標準，可用于目標定位、場景分類、目標檢測、圖像分類和場景解釋等任務。目前，該數據集中的圖像數超過1 200萬張，類別增加了2.2萬個，約103萬張照片進行了目標物體的類別標注，對于目標檢測任務，其包含200個類別。

（4）UCAS-AOD：是一種遠程目標檢測數據集，只包含車輛、飛機兩個類別。其中，共有飛機小目標樣本7 482個，汽車小目標樣本7 114個[12]。

（5）RSOD數據集：由武漢大學發布的航空遙感圖像， 包括飛機、操場、橋、油罐4個類別。橋類有176張，飛機類圖像有446張，操場類圖像有190張圖像，油罐類圖像有165張[13]。

（6）OICOD數據集：基于OpenImageV4的最大公用數據集，不同于ILSVRC和MSCOCO目標檢測數據集，它包括更多的類別、圖像、邊界框、實例分割分支和海量的注釋處理，OICOD為目標實例提供了可以手動驗證標簽。

（7）OpenImageV4：使用分類器標注圖像標簽，通過人工標注得到得分很高的標簽。

（8）URPC2018：水下物體數據集包括d大批的小目標該數據集共包含訓練圖像近2 900幅和測試圖像近800幅，類別包括海參、海星、海膽和貝類[14]。

1.2 評價指標

1.2.1 IoU（交并比）

等于它們之間的交集和并集的比值，是指由目標檢測算法生成的候選框與實際的檢測框之間的重合程度，最理想的情況下IoU=1.0表示完全重合，通常而言IoU0.5認為定位合理。

1.2.2 mAP（meanAveragePrecession）

平均精確度均值，是最直觀的表達方式，mAP值越大，表示該模型的精度越高。

2 目標檢測算法對比分析

目標檢測可以分為兩類算法，一種是以R-CNN系列為代表的基于候選區兩階段算法，另一種是以是以YOLO、SSD為代表基于回歸的單階段算法。單階段算法則直接在特征圖上生成候選框。詳細算法性能介紹如表1所示。

表1 目標檢測算法對比

3 總結與展望

目標檢測一直是國內外計算機視覺領域研究者們的探討熱點，雖然單級和二級的目標檢測算法都表現出令人滿意檢測效果，但是每個算法都有各自的優點和缺點，因此單獨依靠一種算法很難滿足精度和速度的要求，算法之間可以取長補短，發揮各自優勢，提高檢測速度和精度，但滿足某些具體場景實時性需要，如高速行駛中的智能車輛環境檢測，還需要較長時間才能夠實現。

未來目標檢測研究和探索方向包括以下幾個方面：

（1）因果推理。因果推理是一種是機器擁有常識，通過常識進行判斷的一種小數據驅動大任務的技術，可以應用在圖像分類，視頻問答，場景圖生成，相比于通過大量數據訓練出來的模型來說，有了內因加持的因果性，而不是基于數據擬合后的相關性，減少誤檢的情況，提高檢測的精度。期待在未來因果推理可以實現量化應用到目標檢測技術上。

（2）弱監督或無監督目標檢測。由于目前想要得到良好效果的深度學習技術都離不開大量數據標注的堆砌，訓練后效果好壞與訓練時用的數據的好壞成正比，僅使用少量標注數據標注后或者自動標注技術的目標檢測技術，可以減少人工標注的成本和繁瑣，弱監督或無監督目標檢測會成為將來的一個關鍵方向。

（3）模型可解釋。神經網絡訓練數據時設置的參數，如：學習率、衰減系數、卷積核大小。這些參數設置多少時模型可以得到最好的效果，目前并無法解釋，盲目調參且結果是未知的，若模型可以解釋，訓練數據時會節省很多時間成本而且會得到效果最好的訓練模型。

（4）通用多目標檢測器。針對區域的檢測器往往性能更好,在預定義的數據集上實現了較高的檢測精度。設計一種沒有任何先驗知識的通用的標檢測器檢測出多領域的目標是未來的基本研究方向。

加之目前計算機視覺領域的很多技術都處于定制化階段，并不能有很好的實用性，實際應用時效果非常局限，基于以上種種，目標檢測這一基本任務仍然是一個很有挑戰性的課題，有足夠的探索和進步空間。