倪金卉

摘 要：目標檢測是利用對圖像信息開展高效、精準定位來進行相關信息的識別、預定義，進而實現(xiàn)對物體類別的判斷，但是基于深度學習的目標檢測需要開展相關優(yōu)化與技術(shù)改進方面的內(nèi)容仍較多。文章主要分析和研究基于深度學習的目標檢測過程中關于主流目標、雙階段目標、單階段目標方面的技術(shù)提升的相關策略，以期推動計算機技術(shù)中的視覺、模式識別等技術(shù)得到進一步發(fā)展。

關鍵詞：深度學習;目標檢測;技術(shù)提升

0 ? 引言

在當前計算機技術(shù)不斷發(fā)展的創(chuàng)新時代，其視覺領域的不斷發(fā)展與應用已經(jīng)逐漸成了不同行業(yè)的重點關注內(nèi)容。而基于深度學習的目標檢測技術(shù)，成了視覺領域研究的重要技術(shù)內(nèi)容?；谏疃葘W習的目標檢測主要是通過對興趣目標實施定位，依據(jù)不同目標類別來精準判斷其相應信息，進而確定不同目標的預測邊框?；谏疃葘W習的目標檢測技術(shù)的研究，可大幅提升傳統(tǒng)目標檢測計算方法的精度，提高目標檢測工作的精準率，對于相關行業(yè)的發(fā)展和進步起到重要的技術(shù)支撐作用[1]。

1 ? 深度學習目標檢測的應用在當前面臨的挑戰(zhàn)與現(xiàn)狀

1.1 ?主流目標檢測算法的優(yōu)化問題

在檢測方面，實現(xiàn)更高的精準度和效率是計算機算法在方案設計和實際應用過程中的最終目標，但是實際在開展更高的精準度運算過程中，如果應用雙階段的目標檢測方法則需要耗費大量的計算信息資源，進而產(chǎn)生工作效率下降的問題。但是如果采用在工作效率方面具有更多優(yōu)勢的單階段目標檢測方法，又會造成精準度下降。這就使得目標檢測設計和工作過程中，精準度和工作效率之間如何實現(xiàn)最佳平衡成了重要的研究目標[2-3]。

1.2 ?小目標物體檢測精度的優(yōu)化問題

大量應用表明，目標檢測技術(shù)應用于小目標方面開展相關圖像信息檢測的任務，在總體應用情況中占據(jù)了較大比例。但是目標檢測計算技術(shù)的應用需要結(jié)合多種目標信息數(shù)據(jù)才可實現(xiàn)，這一技術(shù)特點使得小目標檢測方面的應用效果得不到提升，小目標物體檢測精準度成了當前技術(shù)的難點之一。

1.3 ?實施多類別物體的檢測

目標檢測技術(shù)應用于多類別物體的檢測過程中，對于目標數(shù)據(jù)庫的建設和信息數(shù)據(jù)的豐富有著較高要求。但是當前行業(yè)領域內(nèi)目標檢測計算方法的應用，對于目標類別開展的數(shù)據(jù)庫信息較少，對于多類別物體的檢測精準度無法得到保障，特別是該目標具有多種類別特征的情況時，會造成模型運算工作量不斷激增。因此，開展多類別物體檢測精確度的提升是現(xiàn)實問題之一[4]。

1.4 ?輕量化方面的要求

目標檢測技術(shù)實現(xiàn)了輕量化處理才可以更好地應用于移動終端、自動駕駛、嵌入式等相關行業(yè)領域。但是當前開展輕量化計算工作，需要利用深度的神經(jīng)網(wǎng)絡，需要較大的模型和較多的計算資源等才可實施，具有一定的技術(shù)困難。加強輕量化方面的技術(shù)優(yōu)化成了目標檢測計算技術(shù)實現(xiàn)突破的另一重要現(xiàn)實問題。

2 ? 基于深度學習的目標檢測研究

2.1 ?主流目標檢測算法技術(shù)提升

關于主流目標檢測計算方法的技術(shù)提升，需要從雙階段和單階段兩方面開展研究。雙階段目標檢測計算方法的應用是對相關目標圖像開展邊界框的信息提取，進而確定候選框。在此基礎之上，開展第二次的圖像修正檢測，進而提升檢測目標結(jié)果精準度，但是檢測效率低。單階段目標檢測技術(shù)方法是對目標圖像進行直接檢測并形成最終結(jié)果，雖然效率快，但是精準性差。因此，加強兩者的融合成了提升主流目標檢測算法技術(shù)的重要突破口。在當前行業(yè)研究過程中，實現(xiàn)兩種計算方法的融合的研究已經(jīng)具有一定的理論基礎，并有兩種更加高效的計算方法的研究在不斷進行中。比如：RON計算方法是基于單階段目標的檢測計算方法中的SSD，與雙階段目標的檢測計算方法中的Faster R-CNN技術(shù)融合的、具有高平衡效率的目標檢測計算模型。RON計算方法使用的是以VGG-16信息網(wǎng)絡為主要的神經(jīng)網(wǎng)絡，并在14，15全連接層使其核大小變?yōu)榱?×2，步長變?yōu)?，以更好地開展圖像的采樣工作，并利用方向連接的方式與其相鄰部位的特征圖像進行關聯(lián)，進而提升檢測效果，且是同條件下Faster R-CNN 計算方法檢測速度的三倍以上。

2.2 ?小目標物體檢測精度的研究

小目標物體的檢測，其對于目標物體尺寸規(guī)定通常定義為不高于32×32像素，或者目標檢測尺寸和圖像的尺寸相比有較大差距，要不高于原圖像的10%。提升小目標物體檢測進度需要結(jié)合其計算方法的設計、分辨率、信息方面的因素綜合考慮。本文主要從計算機視覺感受野方面進行相關技術(shù)的應用研究?；谏疃葘W習的目標檢測，其感受野指的是其卷積神經(jīng)網(wǎng)絡中不同層級的信息輸出圖像中像素點，在最初的原始輸入圖像方面所映射出的相關區(qū)域的大小。利用增加感受野方法進行相關性能的提升，是當前應用較為普遍的方法之一，該方法的應用可以更好地提升目標檢測信息網(wǎng)絡進行圖像信息特征提取的能力。在SSD系統(tǒng)框架中增加感受野模塊，使其利用人類視覺模擬方法來提高圖像信息提取能力，需要考慮檢測速度和精準度的綜合性能。該技術(shù)應用是基于Inception基礎，利用卷積層的加寬，進而加大感受野。主要技術(shù)特點是，利用不同卷積核自身卷積層的具體結(jié)構(gòu)，來改善傳統(tǒng)Inception技術(shù)思想;通過加寬卷積層，并將其應用于分割計算方法中，實現(xiàn)感受野的增加，進而實現(xiàn)不同特征目標的融合。該方法的運用，通過加強RFB模塊，使得目標檢測計算的精準度相較于傳統(tǒng)的SSD結(jié)構(gòu)提升了近6%，對于小目標物體的檢測效果有著較為顯著的提升。

2.3 ?多類別物體的檢測技術(shù)研究

在進行多類別物體檢測技術(shù)的研究過程中，需要注重目標數(shù)據(jù)類別信息方面的建設，加強模型訓練，同時還要加強處理和改善因計算工作量的增加而造成的目標檢測效率下降問題。本文主要從訓練方式的技術(shù)提升進行研究。自適應方式的多類別目標檢測計算方法是專門針對具有多種目標分類的檢測而提出的，其具有上千種類別目標，以此可以通過開展訓練學習實現(xiàn)更加優(yōu)良的網(wǎng)絡信息分類。在該技術(shù)信息檢測數(shù)據(jù)庫中包含幾十種目標，對于該類目標該方法的應用具有十分精準的檢測效果，但是除此之外的目標檢測則效果不佳。因此，在其技術(shù)優(yōu)化過程中可以通過其自身的分類數(shù)據(jù)集對神經(jīng)網(wǎng)絡系統(tǒng)進行初始化處理，再通過相應的信息檢測數(shù)據(jù)集的自我調(diào)整，最終達到使檢測信息數(shù)據(jù)集可以通過訓練參數(shù)的遷移而應用到其他不在原有檢測目標范圍內(nèi)的目標中去，進而提升對多類別物體的檢測技術(shù)。

2.4 ?輕量化方面的技術(shù)研究

基于深度學習的目標檢測，其深度神經(jīng)網(wǎng)絡系統(tǒng)模型中蘊含了豐富的信息數(shù)據(jù)，因此在其工作過程中，需要具有與之相匹配的較大信息存儲空間以及相應程序的運行空間才可更加科學合理地完成相應的檢測任務。這一技術(shù)目標的提出加強了輕量化方面技術(shù)實施優(yōu)化的迫切性。本文以谷歌開展相關研究為基礎，其是利用MobileNetv1深度可分離卷積以及MobileNetv2 線性的瓶頸逆殘差系統(tǒng)結(jié)構(gòu)與MnasNet技術(shù)基于壓縮、激活系統(tǒng)結(jié)構(gòu)中具有的更優(yōu)質(zhì)的輕量級模型優(yōu)勢，對輕量級信息網(wǎng)絡實施優(yōu)化的具體應用。該應用模型主要實現(xiàn)了兩方面的技術(shù)提升，即互補式搜索方面的技術(shù)融合以及信息網(wǎng)絡結(jié)構(gòu)方面的優(yōu)化改進。

3 ? 結(jié)語

隨著計算機技術(shù)在新時期的不斷創(chuàng)新與應用范圍的廣泛，很多行業(yè)實現(xiàn)了創(chuàng)新發(fā)展和技術(shù)提升，為我國社會發(fā)展提供了強大推動力。目標檢測方面的研究對于計算機視覺技術(shù)等領域的應用和發(fā)展起到了重要推動作用。本文主要從主流目標檢測、小目標檢測、多類別物體的檢測、輕量化檢測等方面研究了基于深度學習目標的不同檢測計算方法的技術(shù)優(yōu)化和提升。通過本文的分析和研究可以發(fā)現(xiàn)，加強檢測精準度和檢測效率方面的技術(shù)平衡是當前行業(yè)研究的重點及關鍵。而在技術(shù)優(yōu)化過程中，提升信息骨干網(wǎng)的性能，不斷豐富圖像信息含義，加強多類別物體檢測信息數(shù)據(jù)的檢測等成了技術(shù)關鍵點。雖然我國當前關于圖像目標檢測技術(shù)的應用已經(jīng)逐漸向著較為成熟的方向發(fā)展，但是針對真實場景的目標檢測技術(shù)仍存在一定挑戰(zhàn)性。因此，加強技術(shù)優(yōu)化和改進是今后工作重點。

[參考文獻]

[1]陸峰，劉華海，黃長纓，等.基于深度學習的目標檢測技術(shù)綜述[J].計算機系統(tǒng)應用，2021（3）：1-13.

[2]員嬌嬌，胡永利，孫艷豐，等.基于深度學習的小目標檢測方法綜述[J].北京工業(yè)大學學報，2021（3）：293-302.

[3]許德剛，王露，李凡.深度學習的典型目標檢測算法研究綜述[J].計算機工程與應用，2021（8）：10-25.

[4]康衛(wèi)，周紅志.基于數(shù)學建模案例的線性代數(shù)教學探討[J].山東農(nóng)業(yè)工程學院學報，2020（12）：38-40.

（編輯 何 琳）