關(guān)鍵詞： 目標(biāo)檢測 計(jì)算機(jī)視覺 深度學(xué)習(xí) 檢測框架

中圖分類號(hào)： TP391.41;TP18 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1672-3791（2023）16-0185-04

目標(biāo)檢測是數(shù)字圖像處理和計(jì)算機(jī)視覺的一個(gè)研究熱門方向，廣泛應(yīng)用于智能交通[1]、工業(yè)缺陷檢測[2]、無人輔助駕駛[3]、航空航天[4]、智慧農(nóng)業(yè)[5]等諸多領(lǐng)域，通過計(jì)算機(jī)視覺減少對(duì)人力資本的消耗，具有重要的現(xiàn)實(shí)意義。因此，目標(biāo)檢測也就成為了近年來理論和應(yīng)用的研究熱點(diǎn)，它是圖像處理和計(jì)算機(jī)視覺學(xué)科的重要分支，也是智能監(jiān)控系統(tǒng)的核心部分，同時(shí)目標(biāo)檢測也是泛身份識(shí)別領(lǐng)域的一個(gè)基礎(chǔ)性的算法，對(duì)后續(xù)的人臉識(shí)別[6]、姿態(tài)估計(jì)[7]、目標(biāo)跟蹤[8]、圖像分割[9]等任務(wù)起著至關(guān)重要的作用。由于深度學(xué)習(xí)的廣泛運(yùn)用，目標(biāo)檢測算法得到了較為快速的發(fā)展，本文廣泛調(diào)研國內(nèi)外目標(biāo)檢測方法，主要介紹基于深度學(xué)習(xí)的兩種目標(biāo)檢測算法思路，分別為基于侯選窗口的Two-Stage目標(biāo)檢測算法和基于回歸的One-Stage 目標(biāo)檢測算法。

1 基于候選窗口的Two-Stage 檢測算法

1.1 R-CNN

2014 年，RSHICK R 等人提出R-CNN[10]，這是繼承傳統(tǒng)目標(biāo)檢測思想的R-CNN 系列的第一代算法，將目標(biāo)檢測作為一個(gè)分類問題來處理，先抽取一系列目標(biāo)的候選區(qū)域，再對(duì)候選區(qū)域進(jìn)行分類。具體如圖1所示。

1.2 FastR-CNN

2015年，GIRSHICK R提出了Fast R-CNN[11]檢測器，進(jìn)一步融合了R-CNN 和SPP-Net。在相同的網(wǎng)絡(luò)配置下，F(xiàn)ast R-CNN 可以讓我們同時(shí)訓(xùn)練檢測器和邊界框回歸器。Fast R-CNN 在VOC07 數(shù)據(jù)集上將mAP 從58.5%（RCNN）提升至70.0%，檢測速度超過R-CNN 的200 倍。具體如圖2 所示。

1.3 FasterR-CNN

2015年，REN S等人提出了Faster R-CNN[12]檢測模型，F(xiàn)asterR-CNN是第一個(gè)端到端深度學(xué)習(xí)的檢測算法，也是第一個(gè)接近實(shí)時(shí)的目標(biāo)檢測器。FasterR- CNN的主要貢獻(xiàn)是引入了區(qū)域提案網(wǎng)絡(luò)（RPN）從而允許幾乎所有的cost-free的區(qū)域提案。從R-CNN到FasterR-CNN，提案檢測、特征提取、邊界框回歸等目標(biāo)檢測系統(tǒng)中的大部分獨(dú)立區(qū)塊已經(jīng)逐步整合為統(tǒng)一的端到端學(xué)習(xí)框架。

2 基于回歸的One-Stage 檢測算法

2.1 YOLO

2016 年，REDMON J 等人提出了一種單階段算法YOLO[13]目標(biāo)檢測器。YOLO 算法基于GoogleNet 網(wǎng)絡(luò)架構(gòu)思想，其核心思想是將目標(biāo)檢測轉(zhuǎn)化為一個(gè)回歸問題，利用整張圖像作為網(wǎng)絡(luò)的輸入，只需通過一個(gè)卷積神經(jīng)網(wǎng)絡(luò)，就能獲得待測目標(biāo)邊界框的位置和所屬類別。

2.2 YOLOv2

2017 年，REDMON J 等人在YOLOv1 的基礎(chǔ)上做了很多改進(jìn)，提出了YOLOV2[14]。重點(diǎn)解決YOLOV1在召回率、定位精準(zhǔn)度等方面存在的不足之處。與YOLOV1 是利用全連接層直接預(yù)測邊界框坐標(biāo)相比，YOLOV2 借鑒了FasterR-CNN 的理念，引入了Anchor機(jī)制。使用K-means 聚類的方法在訓(xùn)練集中聚類中計(jì)算出更好的Anchor 框，使算法的召回率大大提高。同時(shí)將淺層特征與深層特征相結(jié)合，結(jié)合圖像細(xì)粒度特征，對(duì)探測小尺寸目標(biāo)有所幫助。并提出DarkNet-19骨干網(wǎng)絡(luò)進(jìn)行更高效的特性提取。

2.3 YOLOv3

2018 年，REDMON J 等人在YOLOv2 的基礎(chǔ)上做了一些改進(jìn)提出了YOLOv3[15] 。借助殘差網(wǎng)絡(luò)（ResNet）的思想，YOLOv3 特征提取部分用Darknet-53 網(wǎng)絡(luò)結(jié)構(gòu)代替了原來的Darknet-19，Darknet-53 主要由1×1 和3×3 的卷積層組成，為了防止過度擬合每個(gè)卷積層后包含一個(gè)批量歸一化層和一個(gè)LeakyReLU。在Darknet-53 中，卷積層、批量歸一化層和LeakyReLU 共同組成基本卷積單元DBL。因?yàn)樵贒arknet-53 中共包含53 個(gè)這樣的DBL，所以稱其為Darknet-53。利用特征金字塔網(wǎng)絡(luò)（FPN）結(jié)構(gòu)實(shí)現(xiàn)了多尺度檢測，使用邏輯回歸分類方法代替了Softmax，在兼顧實(shí)時(shí)性的同時(shí)保證了目標(biāo)檢測的準(zhǔn)確性。

2.4 YOLOv4

2020 年，BOCHKOVSKIY A 等人在YOLOv3 的基礎(chǔ)上做出了進(jìn)一步創(chuàng)新，提出YOLOv4[16]。它將原來的Darknet53 結(jié)構(gòu)換為了CSPDarknet53，引入了路徑增強(qiáng)網(wǎng)絡(luò)PANet 進(jìn)行更好的特征融合和小目標(biāo)檢測，并繼承YOLOV3 Head 層偵測頭進(jìn)行多尺度預(yù)測。在改進(jìn)網(wǎng)狀結(jié)構(gòu)的基礎(chǔ)上，還引入了增加網(wǎng)絡(luò)模型檢測精度的各種Tricks 訓(xùn)練技巧。

2.5 YOLOv5

2020 年，Ultralytics 等人提出了YOLOv5，它是在YOLOv4 的基礎(chǔ)上添加了一些新的改進(jìn)思路，使其速度與精度都得到了極大的性能提升。在輸入端模型訓(xùn)練階段，提出了Mosaic 數(shù)據(jù)增強(qiáng)、自適應(yīng)錨框計(jì)算、自適應(yīng)圖片縮放等方法；在BackBone 網(wǎng)絡(luò)，融合Focus 結(jié)構(gòu)與CSP 結(jié)構(gòu)；在Neck 網(wǎng)絡(luò)，在BackBone 與最后的Head 輸出層之間插入了FPN 和PAN 結(jié)構(gòu)；在Head 輸出層，繼承了YOLOV4 的錨框機(jī)制，主要改進(jìn)了訓(xùn)練時(shí)的損失函數(shù)GIOU_LOSS，以及DIOU_NMS 被預(yù)測框篩選。

3 算法性能比較與分析

表1、表2 分別列出了本文所介紹的代表性目標(biāo)檢測算法基于固定骨干網(wǎng)絡(luò)在公開數(shù)據(jù)集檢測精度與檢測速度對(duì)比，其中公開數(shù)據(jù)集分別為PascalVOC 2007+2012 和MS COCO。考慮到不同算法檢測框架在相同數(shù)據(jù)集下的檢測能力不僅與算法網(wǎng)絡(luò)模型和圖片尺寸大小有關(guān)，同時(shí)還與計(jì)算機(jī)硬件設(shè)備的有關(guān)。因此，在表1、表2 中所統(tǒng)計(jì)的檢測指標(biāo)為未完全統(tǒng)計(jì)指標(biāo)，其中“—”代表未知。從表中數(shù)據(jù)可以看出，本文所介紹的兩階段算法檢測精度高，但實(shí)行性差；單階段目標(biāo)檢測算法兼具檢測精度和實(shí)時(shí)性。

4 總結(jié)與思考

本文以侯選窗口的Two-Stage 目標(biāo)檢測算法和回歸的One-Stage 目標(biāo)檢測算法為基礎(chǔ)進(jìn)行了總結(jié)，介紹了各檢測器的主要框架模型結(jié)構(gòu)，并指出了它們對(duì)于同系列前代檢測器的改進(jìn)之處。最后進(jìn)行不同算法檢測框架在相同數(shù)據(jù)集下的檢測精度與檢測速度的對(duì)比，進(jìn)一步確定不同算法檢測框架的好壞。

同時(shí)，在深度學(xué)習(xí)目標(biāo)檢測算法的未來研究發(fā)展中也存在一些困難，如檢測算法網(wǎng)絡(luò)模型大，訓(xùn)練模型需要計(jì)算能力高的顯卡；小目標(biāo)檢測準(zhǔn)確性差，定位容易丟失；工業(yè)應(yīng)用需要大量訓(xùn)練數(shù)據(jù)集訓(xùn)練模型，采集困難等。因此，如何解決以上問題將是未來深度學(xué)習(xí)目標(biāo)檢測算法研究突破的重點(diǎn)。