随着深度学习的发展，卷积神经网络在目标检测中取得了一系列研究成果． 相比基于人工特征构造的传统的目标检测 算法，基于深层卷积神经网络的算法具有特征自动提取，泛化能力强的优点，有较好的鲁棒性． 本文首先介绍了卷积神经网络在 目标检测基础任务图像分类上的进展，然后按照目标检测算法评价指标、算法框架以及公共数据集三个方面重点分析和比较近 年来基于深度学习模型的目标检测算法的研究情况，最后对目标检测算法未来的发展进行展望

针对目前目标检测技术中小目标检测困难问题, 提出了一种基于SSD (Single Shot multibox Detector) 改进的小目标检测算法Bi-SSD (Bi-directional Single Shot multibox Detector). 该算法为SSD的浅层特征设计了小目标特征提升模块, 在网络的分类和回归部分结合多尺度特征融合方法和BiFPN (Bi-directional Feature Pyramid Network) 结构, 设计了6尺度BiFPN分类回归子网络. 实验结果表明, 在PASCAL VOC和MS COCO目标检测数据集上Bi-SSD相比原始的SSD算法有更好的检测性能. 其中VOC2007+2012上Bi-SSD算法的mAP指标达到了78.47%相较SSD算法提升了1.34%, 在COCO2017上Bi-SSD算法的mAP达到26.4%提升了接近2.4%.

基于稀疏感知频谱估计的有效运动目标检测算法

为提升原始SSD算法的小目标检测精度及鲁棒性，提出一种基于通道注意力机制的SSD目标检测算法。在原始SSD算法的基础上对高层特征图进行全局池化操作，结合通道注意力机制增强高层特征图的语义信息，并利用膨胀卷积结构对低层特征图进行下采样扩大其感受野以增加细节与位置信息，再通过级联的方式将低层特征图与高层特征图相融合，从而实现小目标及遮挡目标的有效识别。实验结果表明，与原始SSD算法相比，该算法在PASCALVOC数据集上的平均精度均值提升了2.2%，具有更高的小目标检测精度和更好的鲁棒性。

运动目标检测算法研究，耿沛，苏小龙，运动目标检测算法的研究是当今图像处理领域的一个热门方向，随着其应用领域的不断扩大，其实用价值越来越得到人们的重视。本文针

为提高对车辆图像的检测程度和实时性，针对智能交通系统，通过对实时路况的信息采集和视频图像的处理，提出了一种基于差分均值的背景提取计算方法和矩阵分区域的阴影检测方法，最终得到一个视频车辆的检测原型，从而实现对运动车辆的检测。实验结果表明，此种方法简单、计算量小、鲁棒性高，能快速地提取出背景图像，检测出比较完整的车辆阴影，可满足多运动目标的实时检测要求。

效去除运动目标包含的阴影区域，从而实现人头区域的检测针对摄像机在静止条件下的自适应运动目标检测，提出一种改进的运动目标检测算法。首先，针对高斯混合背景建模初期背景建模效果不理想的问题，利用统计的方法得到背景模型，根据背景图像建立高斯混合模型；在模型学习方面，为均值与方差设置了不同的学习率。针对传统的LBP算子的缺陷，提出了一种改进的纹理特征算子，将其与HSV颜色空间去阴影的方法相结合，从而实现对阴影的检测与去除，利用随机Hough算子对圆的检测原理，在运动目标检测的基础之上，实现对人头的边缘检测。实验结果表明：该算法可以很好地检测出运动目标，并能够有。

针对传统的三帧差分运动目标检测算法存在的通用性差和检测目标不完整的问题,提出一种改进的三帧差分运动目标检测算法,并给出了试验中的检测效果对比图。该算法采用自适应阈值对差分结果进行二值化,从而提高了算法的通用性。在二值化图像上画出运动目标外部轮廓并对目标轮廓内部进行单色填充,弥补了运动目标内部的空缺。实验结果表明,该算法运算量小,实时性高,通用性好,可以更准确地检测出运动目标,并解决了目标内部空洞的问题。

目标检测是计算机视觉研究中的热门问题,其中加速区域卷积神经网络(Faster R-CNN)对目标检测具有指导意义。针对Faster R-CNN算法在目标检测中准确率不高的问题,先对数据进行增强处理;然后对提取的特征图进行裁剪,利用双线性插值法代替感兴趣区域池化操作,分类时采用软非极大值抑制(Soft-NMS)算法。实验结果表明,该算法在PASCAL VOC2007、PASCAL VOC07+12数据集下的准确率分别为76.40%和81.20%,相较Faster R-CNN算法分别提升了6.50个百分点和8.00个百分点。没有进行数据增强的情况下,在COCO 2014数据集上的准确率相较Faster R-CNN算法提升了2.40个百分点。

基于多项式时间序列预测的动态规划先于检测轨迹的雷达目标检测算法