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(yè)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(shù)字化處理、圖像的標準轉(zhuǎn)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(jīng)網(wǎng)為基礎(chǔ)的目標檢測算法越來越受到學者們的重視，有許多結(jié)構(gòu)簡單、運行效率高的網(wǎng)絡(luò)模型，可以大規(guī)模應(yīng)用這些算法，但是面對目標檢測的難點，國內(nèi)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(gòu)建了選擇性注意機制[3]；Viola和Jones等提出一種級聯(lián)檢測器框架并成功應(yīng)用于檢測人臉[4]；Navneet等人則提出Hog和SVM聯(lián)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(jīng)過多年的研究和發(fā)展，最先進的目標檢測系統(tǒng)已與多種技術(shù)相結(jié)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(shù)據(jù)集特點以及關(guān)于目標檢測算法性能評價的關(guān)鍵參數(shù)，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(lǐng)域現(xiàn)存的問題，對該領(lǐng)域進行了展望，并分析了未來的可以繼續(xù)探究的方向。

1 常用數(shù)據(jù)集及性能評價

1.1 常用數(shù)據(jù)集

（1）COCO：數(shù)據(jù)集在是于2015年發(fā)布的一種基于日常復雜場景的常見目標數(shù)據(jù)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(shù)據(jù)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(shù)量，提高了目標檢測任務(wù)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(wù)。目前，該數(shù)據(jù)集中的圖像數(shù)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(wù)，其包含200個類別。

（4）UCAS-AOD：是一種遠程目標檢測數(shù)據(jù)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(shù)據(jù)集：由武漢大學發(fā)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(shù)據(jù)集：基于OpenImageV4的最大公用數(shù)據(jù)集，不同于ILSVRC和MSCOCO目標檢測數(shù)據(jù)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(shù)據(jù)集包括d大批的小目標該數(shù)據(jù)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(qū)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(jié)與展望

目標檢測一直是國內(nèi)外計算機視覺領(lǐng)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(xiàn)出令人滿意檢測效果，但是每個算法都有各自的優(yōu)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(fā)揮各自優(yōu)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(huán)境檢測，還需要較長時間才能夠?qū)崿F(xiàn)。

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(shù)據(jù)驅(qū)動大任務(wù)的技術(shù)，可以應(yīng)用在圖像分類，視頻問答，場景圖生成，相比于通過大量數(shù)據(jù)訓練出來的模型來說，有了內(nèi)因加持的因果性，而不是基于數(shù)據(jù)擬合后的相關(guān)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(xiàn)量化應(yīng)用到目標檢測技術(shù)上。

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

（3）模型可解釋。神經(jīng)網(wǎng)絡(luò)訓練數(shù)據(jù)時設(shè)置的參數(shù)，如：學習率、衰減系數(shù)、卷積核大小。這些參數(shù)設(shè)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(diào)參且結(jié)果是未知的，若模型可以解釋，訓練數(shù)據(jù)時會節(jié)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(qū)域的檢測器往往性能更好,在預定義的數(shù)據(jù)集上實現(xiàn)了較高的檢測精度。設(shè)計一種沒有任何先驗知識的通用的標檢測器檢測出多領(lǐng)域的目標是未來的基本研究方向。

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