基于深度学习的目标检测研究

倪金卉

摘 要：目标检测是利用对图像信息开展高效、精准定位来进行相关信息的识别、预定义，进而实现对物体类别的判断，但是基于深度学习的目标检测需要开展相关优化与技术改进方面的内容仍较多。文章主要分析和研究基于深度学习的目标检测过程中关于主流目标、双阶段目标、单阶段目标方面的技术提升的相关策略，以期推动计算机技术中的视觉、模式识别等技术得到进一步发展。

关键词：深度学习;目标检测;技术提升

0   引言

在当前计算机技术不断发展的创新时代，其视觉领域的不断发展与应用已经逐渐成了不同行业的重点关注内容。而基于深度学习的目标检测技术，成了视觉领域研究的重要技术内容。基于深度学习的目标检测主要是通过对兴趣目标实施定位，依据不同目标类别来精准判断其相应信息，进而确定不同目标的预测边框。基于深度学习的目标检测技术的研究，可大幅提升传统目标检测计算方法的精度，提高目标检测工作的精准率，对于相关行业的发展和进步起到重要的技术支撑作用[1]。

1   深度学习目标检测的应用在当前面临的挑战与现状

1.1  主流目标检测算法的优化问题

在检测方面，实现更高的精准度和效率是计算机算法在方案设计和实际应用过程中的最终目标，但是实际在开展更高的精准度运算过程中，如果应用双阶段的目标检测方法则需要耗费大量的计算信息资源，进而产生工作效率下降的问题。但是如果采用在工作效率方面具有更多优势的单阶段目标检测方法，又会造成精准度下降。这就使得目标检测设计和工作过程中，精准度和工作效率之间如何实现最佳平衡成了重要的研究目标[2-3]。

1.2  小目标物体检测精度的优化问题

大量应用表明，目标检测技术应用于小目标方面开展相关图像信息检测的任务，在总体应用情况中占据了较大比例。但是目标检测计算技术的应用需要结合多种目标信息数据才可实现，这一技术特点使得小目标检测方面的应用效果得不到提升，小目标物体检测精准度成了当前技术的难点之一。

1.3  实施多类别物体的检测

目标检测技术应用于多类别物体的检测过程中，对于目标数据库的建设和信息数据的丰富有着较高要求。但是当前行业领域内目标检测计算方法的应用，对于目标类别开展的数据库信息较少，对于多类别物体的检测精准度无法得到保障，特别是该目标具有多种类别特征的情况时，会造成模型运算工作量不断激增。因此，开展多类别物体检测精确度的提升是现实问题之一[4]。

1.4  轻量化方面的要求

目标检测技术实现了轻量化处理才可以更好地应用于移动终端、自动驾驶、嵌入式等相关行业领域。但是当前开展轻量化计算工作，需要利用深度的神经网络，需要较大的模型和较多的计算资源等才可实施，具有一定的技术困难。加强轻量化方面的技术优化成了目标检测计算技术实现突破的另一重要现实问题。

2   基于深度学习的目标检测研究

2.1  主流目标检测算法技术提升

关于主流目标检测计算方法的技术提升，需要从双阶段和单阶段两方面开展研究。双阶段目标检测计算方法的应用是对相关目标图像开展边界框的信息提取，进而确定候选框。在此基础之上，开展第二次的图像修正检测，进而提升检测目标结果精准度，但是检测效率低。单阶段目标检测技术方法是对目标图像进行直接检测并形成最终结果，虽然效率快，但是精准性差。因此，加强两者的融合成了提升主流目标检测算法技术的重要突破口。在当前行业研究过程中，实现两种计算方法的融合的研究已经具有一定的理论基础，并有两种更加高效的计算方法的研究在不断进行中。比如：RON计算方法是基于单阶段目标的检测计算方法中的SSD，与双阶段目标的检测计算方法中的Faster R-CNN技术融合的、具有高平衡效率的目标检测计算模型。RON计算方法使用的是以VGG-16信息网络为主要的神经网络，并在14，15全连接层使其核大小变为了2×2，步长变为2，以更好地开展图像的采样工作，并利用方向连接的方式与其相邻部位的特征图像进行关联，进而提升检测效果，且是同条件下Faster R-CNN 计算方法检测速度的三倍以上。

2.2  小目标物体检测精度的研究

小目标物体的检测，其对于目标物体尺寸规定通常定义为不高于32×32像素，或者目标检测尺寸和图像的尺寸相比有较大差距，要不高于原图像的10%。提升小目标物体检测进度需要结合其计算方法的设计、分辨率、信息方面的因素综合考虑。本文主要从计算机视觉感受野方面进行相关技术的应用研究。基于深度学习的目标检测，其感受野指的是其卷积神经网络中不同层级的信息输出图像中像素点，在最初的原始输入图像方面所映射出的相关区域的大小。利用增加感受野方法进行相关性能的提升，是当前应用较为普遍的方法之一，该方法的应用可以更好地提升目标检测信息网络进行图像信息特征提取的能力。在SSD系统框架中增加感受野模块，使其利用人类视觉模拟方法来提高图像信息提取能力，需要考虑检测速度和精准度的综合性能。该技术应用是基于Inception基础，利用卷积层的加宽，进而加大感受野。主要技术特点是，利用不同卷积核自身卷积层的具体结构，来改善传统Inception技术思想;通过加宽卷积层，并将其应用于分割计算方法中，实现感受野的增加，进而实现不同特征目标的融合。该方法的运用，通过加强RFB模块，使得目标检测计算的精准度相较于传统的SSD结构提升了近6%，对于小目标物体的检测效果有着较为显著的提升。

2.3  多类别物体的检测技术研究

在进行多类别物体检测技术的研究过程中，需要注重目标数据类别信息方面的建设，加强模型训练，同时还要加强处理和改善因计算工作量的增加而造成的目标检测效率下降问题。本文主要从训练方式的技术提升进行研究。自适应方式的多类別目标检测计算方法是专门针对具有多种目标分类的检测而提出的，其具有上千种类别目标，以此可以通过开展训练学习实现更加优良的网络信息分类。在该技术信息检测数据库中包含几十种目标，对于该类目标该方法的应用具有十分精准的检测效果，但是除此之外的目标检测则效果不佳。因此，在其技术优化过程中可以通过其自身的分类数据集对神经网络系统进行初始化处理，再通过相应的信息检测数据集的自我调整，最终达到使检测信息数据集可以通过训练参数的迁移而应用到其他不在原有检测目标范围内的目标中去，进而提升对多类别物体的检测技术。

2.4  轻量化方面的技术研究

基于深度学习的目标检测，其深度神经网络系统模型中蕴含了丰富的信息数据，因此在其工作过程中，需要具有与之相匹配的较大信息存储空间以及相应程序的运行空间才可更加科学合理地完成相应的检测任务。这一技术目标的提出加强了轻量化方面技术实施优化的迫切性。本文以谷歌开展相关研究为基础，其是利用MobileNetv1深度可分离卷积以及MobileNetv2 线性的瓶颈逆残差系统结构与MnasNet技术基于压缩、激活系统结构中具有的更优质的轻量级模型优势，对轻量级信息网络实施优化的具体应用。该应用模型主要实现了两方面的技术提升，即互补式搜索方面的技术融合以及信息网络结构方面的优化改进。

3   结语

随着计算机技术在新时期的不断创新与应用范围的广泛，很多行业实现了创新发展和技术提升，为我国社会发展提供了强大推动力。目标检测方面的研究对于计算机视觉技术等领域的应用和发展起到了重要推动作用。本文主要从主流目标检测、小目标检测、多类别物体的检测、轻量化检测等方面研究了基于深度学习目标的不同检测计算方法的技术优化和提升。通过本文的分析和研究可以发现，加强检测精准度和检测效率方面的技术平衡是当前行业研究的重点及关键。而在技术优化过程中，提升信息骨干网的性能，不断丰富图像信息含义，加强多类别物体检测信息数据的检测等成了技术关键点。虽然我国当前关于图像目标检测技术的应用已经逐渐向着较为成熟的方向发展，但是针对真实场景的目标检测技术仍存在一定挑战性。因此，加强技术优化和改进是今后工作重点。

[参考文献]

[1]陆峰，刘华海，黄长缨，等.基于深度学习的目标检测技术综述[J].计算机系统应用，2021（3）：1-13.

[2]员娇娇，胡永利，孙艳丰，等.基于深度学习的小目标检测方法综述[J].北京工业大学学报，2021（3）：293-302.

[3]许德刚，王露，李凡.深度学习的典型目标检测算法研究综述[J].计算机工程与应用，2021（8）：10-25.

[4]康卫，周红志.基于数学建模案例的线性代数教学探讨[J].山东农业工程学院学报，2020（12）：38-40.

（编辑 何 琳）