文献综述
1.前言
目标检测是一种计算机视觉和图像处理有关的计算机技术，用于检测数字图像和视频中特定类别的语义对象，其在视频安防，自动驾驶，交通监控，无人机场景分析和机器人视觉领域都有广阔的应用前景，近年来，由于卷积神经网络的发展和硬件算力提升，基于深度学习方法的目标检测取得了重大性的突破。目前，深度学习算法已经在计算机视觉的整个领域得到了广泛应用，包括通用目标检测和特定领域的目标检测。大多数最先进的目标检测算法都是将深度学习网络用作其骨干网和检测网络，分别从输入图片（或视频），分类和定位中提取特征。本文将对基于深度学习的主流目标检测算法进行总结和比较。
2.神经网络的发展
深度学习模型可以看作是为具有深度结构的神经网络，神经网络的历史可以追溯到1940年代，最初的目的是模拟人的大脑系统，以有原则的方式解决一般的学习问题。随着Hinton等人提出的反向传播算法，神经网络算法逐渐变得流行起来。
3.基于候选区域的目标检测算法
基于候选区域的目标检测算法，即two-stage目标检测算法，该方法先提取到目标的候选区域，然后再由神经网络做分类和回归。
3.1 R-CNN
Girshck等针对卷积神经网路如何实现目标定位的问题，提出了将于Region proposal和CNN相结合的算法R-CNN，开创了神经网络实现目标检测的先河。其计算流程可分为4步，首先利用选择搜索算法提取候选区域，接着将候选区域缩放到固定大小，然后进入卷积神经网络提取特征，随后将提取的特征向量送入SVM分类器得到候选区域目标的类别信息，送入全连接网络进行回归得到位置信息。
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
