深度学习在目标视觉检测中的应用进展与展望    

 目标     视觉检测      是计算机视觉领域的一个重要问题，在视频监控、自主驾驶、人机交互等方面具有重要的研究意义和应用价值     .    近年来，深度学习在图像分类研究中取得了突破性进展，也带动着目标视觉检测取得突飞猛进的发展     .

 目标视觉检测是计算机视觉领域的一个重要问题，在视频监控、自主驾驶、、电子产品检测（     手机中框平面度检测      ）人机交互等方面具有重要的研究意义和应用价值     .    近年来，深度学习在图像分类研究中取得了突破性进展，也带动着目标视觉检测取得突飞猛进的发展。

 目标     视觉检测    具有巨大的实用价值和应用前景     .    应用领域包括智能视频监控、汽车     连接器Pin针高度检测      、数码相机中自动定位和聚焦人脸的技术、飞机航拍或卫星图像中道路的检测、车载摄像机图像中的障碍物检测等     .    同时     ,    目标视觉检测也是众多高层视觉处理和分析任务的重要前提     ,    例如行为分析、事件检测、场景语义理解等都要求利用图像处理和模式识别技术     ,    检测出图像中存在的目标     ,    确定这些目标对象的语义类型     ,    并且标出目标对象在图像中的具体区域。    

 目标视觉检测的计算复杂性主要来自于待检测目标类型的数量、特征描述子的维度和大规模标记数据集的获取     .    由于在真实世界中存在大量的目标类型     ,    每种类型都包含大量的图像     ,    同时识别每种类型需要很多视觉特征     ,    这导致高维空间稀疏的特征描述     [4].    另外     ,    目标模型经常从大规模标记数据集中学习得到     ,    在许多情况下     ,    数据采集和标注很困难     ,    需要耗费大量的人力物力     .    这些情况导致目标检测的计算复杂性很高     ,    需要设计高效的目标检测算法     .    同时     ,    在动态变化的环境中     ,    为了提高目标检测精度     ,    还需要探索合适的机制来自动更新视觉模型     ,    提高模型对复杂环境的自适应能力。    

 文章转载自人工智能学家微信公众号，如有问题，请及时联系删除。