【基于神经网络的目标检测模型国内外研究现状的文献综述2500字】

1基于神经网络的目标检测模型国内外研究现状的文献综述Fukushima在1980年的一篇论文中提到一种模型，该模型包含了卷积和池化层，作者将其命名为认知机。随后误差反向传播算法5被Rumelhart等人提出，后成为熟知且广泛使用的算法BP(BackPropagation),在模型工作进程占据着举足轻重的地位。LeNet-5网络模型在1998年由LeCun等人6提出了，被看做卷积神经网络的最初的样子，改模型应用到了手写体的识别工作中。不过此后的一段时间内，卷积神经网络的发展停滞不前，一是因为相应的关键问题还没有解决，如梯度的爆炸和消失问题等理论问题，还有模型训练所需的数据量不足等问题；二是因为当时的计算机硬件水平，不足以支持网络模型计算模型首次实现了网络深度的大量增加，构建了包含5个卷积层和3个全连接层(FullConnected,FC)的复杂网络，更重要的是作者在其中使用了线性整流函数(Rect此时计算机的性能已经出现较大的改观，虽然AlexNet的参数量和计算量的激增，但是作者将模型的训练放置在了两个GPU上完成，提高了硬AlexNet在ImageNetLSVRC-2010挑战赛中以远超亚军的优异性能夺得冠军席位，卷积神经网络的巨大性能优势也重新吸引了研究人员的注意力。2013年ZFNet⁸在AlexNet基础上改卷积神经网络的结构，设计了采用多层感知机加卷积层的设计模式，并且使用全局池化和1×1卷积替换全连接层，为模型的设计提供了新思路。2014年的ImageNet挑战赛中出现了双雄并立的局面：GoogLeNet¹1和VGG¹2],想降维，减少5×5大尺寸卷积核带来的大计算量。VGGNet由牛津22015年ResNet¹3诞生，其中的残差连接思想有效地帮助梯度的反向传计方式网络的深度达到了前所未有的地步，模型的性能也是大幅度提升。2017年DenseNet¹4]DenseNet探索了特征复用的极限。同年的ResNeXt¹5在ResNet的基础上，借鉴了Inception的思想，使用多路卷积和分组卷积的手段，在同样参数量的情况下取得更好的效果。Xception¹61是在Inceptionv3的基础上进行的改进，使用了深度可分离卷积的手段，一定程度以卷积神经网络为基础的目标检测模型的大规模使用前，一直占据主导地位的传统的方法。检测时首先对输入做预处理，比如色彩变化、图像增强等；然后使用滑动窗的方法，滑SIFT等，最后将获取的相关特征送入分类器如缺点在于特征提取器的设计繁琐，且模型的泛化能力不强，需要有针对性地设计或改动检测问题。FasterR-CNN²1是R-CNN系列更进一步的发展，在FastR-CNN的基础上，创造性地设计了一个名为区域提名网络(regionproposalnetworks,RPN)的结构，对选择性搜索算法进行了高效地置换，有效地提高了候选区域的质量，并且RPN和用来提取特征的CNN集成Networks,FPN)的出现引起波澜，这种思路虽然简单，但是却对特征复用行之有效，在几乎在2015的YOLO²3不同于R-CNN系列，YOLO为目标检测模型的设计开辟了新思路，它将整张图像送入模型特征提取、分类和回归，并未使用选取预选框的方法，实现了较快的检测速度。YOLOv224使用批归一化(BN)、锚框、联合训练果更好的骨干网络进行特征提取，同时也借鉴了Res3合做出的实验成果。SSD²71是2016年提出的另一种检测模型，比YOLOv1稍晚，但是检测的流程和策略相对较为完善，以VGG16为骨干网络，借鉴FasterRCNN的anchor思想，同时采用多尺度预测的办法，将此类检测模型的性能定格了下来。RetinaNet²8在2017年提出，作者提出了FocalLoss函数来解决模型的分类损失的不平衡问题，并且设计了RetinaNet验证2018年Law等人提出了CornerNet[291,开辟了检测模型设计的新思路，即是免除锚框的设计策略。CornerNet提出使用一对关键点而非矩形框来确定目标的位置。2019年提出的素点的预测，通过中心度预测分支来解决低质量的预测框，避免了关于锚框的超参数设计以2020,40(08):2472-2478.2020,37(11):3481-3486.[4]GoodfellowI,BengioY,CourvilleA.DeepLearning[M].TheMITPress,[5]RumelhartDE,HintonGE,WilliamNature,1986,323(6088):533-536.[6]LecunY,BottouL.Gradient-basedlearningtheIEEE,1998,86(11):2278-2324.[8]ZeilerMD,FergusR.VisuaConferenceonComputerVision.Springer,Cham,2014:81[9]SermanetP,EigenD,ZhangX,etal.O