PAGE3關于圖像分類及目標檢測研究現(xiàn)狀文獻綜述1）圖像分類研究現(xiàn)狀圖像分類的任務是依據(jù)圖像信息，讓計算機正確地辨認圖像內容，通俗來說就是“看狗是狗，看貓是貓”，關注點僅在于正確分類上，其任務示例如圖1-2所示。圖STYLEREF1\s12圖像分類任務示例2012年，KrizhevskyA等人[9]設計并發(fā)表了具有5層結構的AlexNet網(wǎng)絡模型，在這個網(wǎng)絡中，他們引入了ReLU激活函數(shù)，借助了Dropout技巧，減小了模型過擬合風險，同時梯度下降更快。在2012年的ImageNet挑戰(zhàn)賽的圖像分類領域，即ILSVRC2012上，該模型以16.4%的TOP-5誤差率一舉。這一成果證明了深度學習網(wǎng)絡模型在圖像分類這一領域存在著待挖掘的潛力，引發(fā)了廣大的研究者對于將深度學習應用于圖像分類的興趣。2014年，SimonyanK等人[10]設計并發(fā)表了VGG模型，該模型通過反復利用3×3的卷積核和池化層來搭建網(wǎng)絡結構。與此同時，網(wǎng)絡采用了多粒度表達的思想，這使得VGGNet檢測模型擁有不俗的泛化能力，但是由于網(wǎng)絡采樣的卷積核大小較小，網(wǎng)絡很難搭建地更深，這制約了網(wǎng)絡模型的檢測能力。在ILSVRC2014上，VGGNet取得了榜眼的好成績。同樣是2014年，SzegedyC等人[11]發(fā)明了GoogLeNet，這是一個擁有22層深度的網(wǎng)絡，這一數(shù)值打破了當時網(wǎng)絡深度的記錄。該網(wǎng)絡最引人注意的獨創(chuàng)性在于采用了Inception模塊，該模塊含有含有4個支路，使用了幾種不同大小的小卷積核，其結構如圖1-3所示。GoogLeNet憑借其優(yōu)秀的性能，在ILSVRC2014中以6.7%的TOP-5誤差率獨占鰲頭。圖STYLEREF1\s13Inception模塊示意圖2015年，何凱明等人[12]設計并發(fā)表了ResNet網(wǎng)絡，該模型是ILSVRC2015的魁首。當網(wǎng)絡模型的深度來到一定程度時，出現(xiàn)了網(wǎng)絡模型的性能反而與網(wǎng)絡深度呈現(xiàn)負相關的問題。而ResNet創(chuàng)造了殘差連接，解決了這個問題。殘差模型如圖1-4所示，其核心就是建立了一個前面層到后面層的直接連接，這一做法有益于反向傳播，從而減少網(wǎng)絡退化出現(xiàn)的幾率。該研究的成果對于后來越來越深的網(wǎng)絡結構具有重要的意義，它使得更深層次的網(wǎng)絡的應用變得更加容易。圖STYLEREF1\s14殘差模塊示意圖2）目標檢測研究現(xiàn)狀在圖像分類的基礎上，目標檢測的要求更進了一步，體現(xiàn)在：一是目標檢測不僅要將物體的類別正確識別，還需要將物體在圖片上的位置大概劃分出來；二是在目標檢測任務中，一幅圖片上的目標數(shù)量是不確定的，往往有不止一個目標，其任務示例如圖1-5所示。圖STYLEREF1\s15目標檢測示例2012年后，由于卷積神經(jīng)網(wǎng)絡的大力發(fā)展，研究人員開始探索將卷積神經(jīng)網(wǎng)絡應用于目標檢測任務的實現(xiàn)中來。2014年，R.Girshick等人[13]設計并發(fā)表了R-CNN網(wǎng)絡模型。這一模型時一項創(chuàng)新，與傳統(tǒng)的目標檢測算法不同的是，在提取特征時不需要人為地進行一系列設計，而是將這一繁雜的操作交給了神經(jīng)網(wǎng)絡。R-CNN的檢測能力也被實驗證明相對于傳統(tǒng)算法有了一個較大的提升。2015年，R.Girshick[14]又借鑒了何凱明等人[15]提出的SPP-Net中的設計思路提出了FastR-CNN模型。該模型相對于R-CNN又有了進步，無論是在檢測的速度還是精度方面都有了拔高。同年，S.Ren等人[16]又創(chuàng)造了FasterR-CNN模型，這個模型借助于區(qū)域待選的思想，使得R-CNN系列的性能又進一步提升。R-CNN系列在在其實現(xiàn)過程中存在待選框生成的階段，即是一個兩階段的算法模型。而在2016年，RedmonJ等人[17]設計并發(fā)表了YOLO網(wǎng)絡模型，這是一個經(jīng)典的單階段的算法模型，即不存在待選框生成階段的目標檢測模型。該類型的模型的檢測速度往往優(yōu)于兩階段的目標檢測模型，但是精度相對于兩階段目標檢測模型要有所不如。同年，LiuW等人[18]設計并發(fā)表了SSD模型，作為一個單階段的目標檢測模型，其不僅能在檢測速度上和YOLO一致，檢測精度也能接近R-CNN系列，這是單階段的模型的一個進步。2017年，LinTY等人[19]設計并發(fā)表了FPN網(wǎng)絡模型，關于該模型的大量實驗結果論證了多粒度對于模型精度的正向作用。同年，受此啟發(fā)，RedmonJ等人[20]又設計并發(fā)表了YOLOv2模型，相對于最開始的YOLO，使用了更深的提取網(wǎng)絡，并引入了先驗框設計理念，大幅度提高了YOLO系列的精度。到了2018年，RedmonJ等人[21]設計并發(fā)表了YOLOv3模型，該模型使用了3個不同粒度的特征圖的分支進行預測，并使用深度較大的DarkNet-53網(wǎng)絡來完成解碼器的工作。實驗結果表明，YOLOv3是一個及其優(yōu)秀的模型，該模型無論檢測的速度還是精度都到達了一個嶄新的水平。參考文獻ADDINEN.REFLIST中國政府網(wǎng)［R/OL］．[2020-07-14]．魏宇豪．車道線檢測與車載相機自動標定方法研究［D］．西安：西安交通大學，2020．WassonH.Theothersmallscreen:MovingimagesatNewYork'sWorldFair,1939[J].CanadianJournalofFilmStudies,2012,21(1):81-103.MccullochWS,PittsW.Alogicalcalculusoftheideasimmanentinnervousactivity[J].BulletinofMathematicalBiophysics,1990,52(1-2):99-115.KelleyHJ.GradientTheoryofOptimalFlightPaths[J].ARSJournal,1960,30(10):947-954.IvakhnenkoAG,LapaVG.CyberneticPredictingDevices[M].NewYork:CCMInformationCorporation,1965.FukushimaK.Neocognitron:Aself-organizingneuralnetworkmodelforamechanismofpatternrecognitionunaffectedbyshiftinposition[J].BiologicalCybernetics,1980,36(4):193-202.LecunY,BottouL,BengioY,etal.Gradient-basedlearningappliedtodocumentrecognition[J].ProceedingsoftheIEEE,1998,86(11):2278-2324.KrizhevskyA,SutskeverI,HintonGE.ImageNetClassificationwithDeepConvolutionalNeuralNetworks[J].AdvancesinNeuralInformationProcessingSystems,2012,25(2):2012.何育欣，鄭伯川，譚代倫等．基于VGGNet改進網(wǎng)絡結構的多粒度大熊貓面部檢測［J］．重慶大學學報，2020，43(11)：63-71．蘇賦，呂沁，羅仁澤．基于深度學習的圖像分類研究綜述［J］．電信科學，2019，35(11)：58-74．HeK,ZhangX,RenS,etal.Deepresiduallearningforimagerecognition[C]//ProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition.2016:770-778.GirshickR,DonahueJ,DarrellT,etal.Richfeaturehierarchiesforaccurateobjectdetectionandsemanticsegmentation[C]//ProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition.2014:580-587.GirshickR.Fastr-cnn[C]//ProceedingsoftheIEEEinternationalconferenceoncomputervision.2015:1440-1448.HeK,ZhangX,RenS,etal.Spatialpyramidpoolingindeepconvolutionalnetworksforvisualrecognition[J].IEEEtransactionsonpatternanalysisandmachineintelligence,2015,37(9):1904-1916.RenS,HeK,GirshickR,etal.FasterR-CNN:towardsreal-timeobjectdetectionwithregionproposalnetworks[J].IEEEtransactionsonpatternanalysisandmachineintelligence,2016,39(6):1137-1149.RedmonJ,DivvalaS,GirshickR,etal.Youonlylookonce:Unified,real-timeobjectdetection[C]//ProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition.2016:779-788.LiuW,AnguelovD,ErhanD,etal.Ssd:Singleshotmultiboxdetector[C]//Europeanconferenceoncomputervision.Springer,Cham,2016:21-37.LinTY,DollarP,GirshickR,etal.Featurepyramidnetworksforobjectdetection[C]//ProceedingsoftheIEEEconferenceoncomputervisionandpattern