倪金卉

摘 要：目標(biāo)檢測是利用對圖像信息開展高效、精準(zhǔn)定位來進行相關(guān)信息的識別、預(yù)定義，進而實現(xiàn)對物體類別的判斷，但是基于深度學(xué)習(xí)的目標(biāo)檢測需要開展相關(guān)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(xué)習(xí)的目標(biāo)檢測過程中關(guān)于主流目標(biāo)、雙階段目標(biāo)、單階段目標(biāo)方面的技術(shù)提升的相關(guān)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(guān)鍵詞：深度學(xué)習(xí);目標(biāo)檢測;技術(shù)提升

0 ? 引言

在當(dāng)前計算機技術(shù)不斷發(fā)展的創(chuàng)新時代，其視覺領(lǐng)域的不斷發(fā)展與應(yīng)用已經(jīng)逐漸成了不同行業(yè)的重點關(guān)注內(nèi)容。而基于深度學(xué)習(xí)的目標(biāo)檢測技術(shù)，成了視覺領(lǐng)域研究的重要技術(shù)內(nèi)容?；谏疃葘W(xué)習(xí)的目標(biāo)檢測主要是通過對興趣目標(biāo)實施定位，依據(jù)不同目標(biāo)類別來精準(zhǔn)判斷其相應(yīng)信息，進而確定不同目標(biāo)的預(yù)測邊框?；谏疃葘W(xué)習(xí)的目標(biāo)檢測技術(shù)的研究，可大幅提升傳統(tǒng)目標(biāo)檢測計算方法的精度，提高目標(biāo)檢測工作的精準(zhǔn)率，對于相關(guān)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(xué)習(xí)目標(biāo)檢測的應(yīng)用在當(dāng)前面臨的挑戰(zhàn)與現(xiàn)狀

1.1 ?主流目標(biāo)檢測算法的優(yōu)化問題

在檢測方面，實現(xiàn)更高的精準(zhǔn)度和效率是計算機算法在方案設(shè)計和實際應(yīng)用過程中的最終目標(biāo)，但是實際在開展更高的精準(zhǔn)度運算過程中，如果應(yīng)用雙階段的目標(biāo)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(biāo)檢測方法，又會造成精準(zhǔn)度下降。這就使得目標(biāo)檢測設(shè)計和工作過程中，精準(zhǔn)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(biāo)[2-3]。

1.2 ?小目標(biāo)物體檢測精度的優(yōu)化問題

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

1.3 ?實施多類別物體的檢測

目標(biāo)檢測技術(shù)應(yīng)用于多類別物體的檢測過程中，對于目標(biāo)數(shù)據(jù)庫的建設(shè)和信息數(shù)據(jù)的豐富有著較高要求。但是當(dāng)前行業(yè)領(lǐng)域內(nèi)目標(biāo)檢測計算方法的應(yīng)用，對于目標(biāo)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(zhǔn)度無法得到保障，特別是該目標(biāo)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(biāo)檢測技術(shù)實現(xiàn)了輕量化處理才可以更好地應(yīng)用于移動終端、自動駕駛、嵌入式等相關(guān)行業(yè)領(lǐng)域。但是當(dāng)前開展輕量化計算工作，需要利用深度的神經(jīng)網(wǎng)絡(luò)，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(biāo)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(xué)習(xí)的目標(biāo)檢測研究

2.1 ?主流目標(biāo)檢測算法技術(shù)提升

關(guān)于主流目標(biāo)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(biāo)檢測計算方法的應(yīng)用是對相關(guān)目標(biāo)圖像開展邊界框的信息提取，進而確定候選框。在此基礎(chǔ)之上，開展第二次的圖像修正檢測，進而提升檢測目標(biāo)結(jié)果精準(zhǔn)度，但是檢測效率低。單階段目標(biāo)檢測技術(shù)方法是對目標(biāo)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(zhǔn)性差。因此，加強兩者的融合成了提升主流目標(biāo)檢測算法技術(shù)的重要突破口。在當(dāng)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(chǔ)，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(biāo)的檢測計算方法中的SSD，與雙階段目標(biāo)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(biāo)檢測計算模型。RON計算方法使用的是以VGG-16信息網(wǎng)絡(luò)為主要的神經(jīng)網(wǎng)絡(luò)，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(guān)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(biāo)物體檢測精度的研究

小目標(biāo)物體的檢測，其對于目標(biāo)物體尺寸規(guī)定通常定義為不高于32×32像素，或者目標(biāo)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(biāo)物體檢測進度需要結(jié)合其計算方法的設(shè)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(guān)技術(shù)的應(yīng)用研究。基于深度學(xué)習(xí)的目標(biāo)檢測，其感受野指的是其卷積神經(jīng)網(wǎng)絡(luò)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(guān)區(qū)域的大小。利用增加感受野方法進行相關(guān)性能的提升，是當(dāng)前應(yīng)用較為普遍的方法之一，該方法的應(yīng)用可以更好地提升目標(biāo)檢測信息網(wǎng)絡(luò)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(zhǔn)度的綜合性能。該技術(shù)應(yīng)用是基于Inception基礎(chǔ)，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(yīng)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(biāo)的融合。該方法的運用，通過加強RFB模塊，使得目標(biāo)檢測計算的精準(zhǔn)度相較于傳統(tǒng)的SSD結(jié)構(gòu)提升了近6%，對于小目標(biāo)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(biāo)數(shù)據(jù)類別信息方面的建設(shè)，加強模型訓(xùn)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(biāo)檢測效率下降問題。本文主要從訓(xùn)練方式的技術(shù)提升進行研究。自適應(yīng)方式的多類別目標(biāo)檢測計算方法是專門針對具有多種目標(biāo)分類的檢測而提出的，其具有上千種類別目標(biāo)，以此可以通過開展訓(xùn)練學(xué)習(xí)實現(xiàn)更加優(yōu)良的網(wǎng)絡(luò)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(biāo)，對于該類目標(biāo)該方法的應(yīng)用具有十分精準(zhǔn)的檢測效果，但是除此之外的目標(biāo)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(luò)系統(tǒng)進行初始化處理，再通過相應(yīng)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(xùn)練參數(shù)的遷移而應(yīng)用到其他不在原有檢測目標(biāo)范圍內(nèi)的目標(biāo)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(xué)習(xí)的目標(biāo)檢測，其深度神經(jīng)網(wǎng)絡(luò)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(yīng)程序的運行空間才可更加科學(xué)合理地完成相應(yīng)的檢測任務(wù)。這一技術(shù)目標(biāo)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(guān)研究為基礎(chǔ)，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(luò)實施優(yōu)化的具體應(yīng)用。該應(yīng)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(luò)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(yīng)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(biāo)檢測方面的研究對于計算機視覺技術(shù)等領(lǐng)域的應(yīng)用和發(fā)展起到了重要推動作用。本文主要從主流目標(biāo)檢測、小目標(biāo)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(xué)習(xí)目標(biāo)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(zhǔn)度和檢測效率方面的技術(shù)平衡是當(dāng)前行業(yè)研究的重點及關(guān)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(guān)鍵點。雖然我國當(dāng)前關(guān)于圖像目標(biāo)檢測技術(shù)的應(yīng)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(biāo)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(xué)習(xí)的目標(biāo)檢測技術(shù)綜述[J].計算機系統(tǒng)應(yīng)用，2021（3）：1-13.

[2]員嬌嬌，胡永利，孫艷豐，等.基于深度學(xué)習(xí)的小目標(biāo)檢測方法綜述[J].北京工業(yè)大學(xué)學(xué)報，2021（3）：293-302.

[3]許德剛，王露，李凡.深度學(xué)習(xí)的典型目標(biāo)檢測算法研究綜述[J].計算機工程與應(yīng)用，2021（8）：10-25.

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

（編輯 何 琳）