傳統(tǒng)的目標(biāo)檢測算法大多根據(jù)特定背景特定問題，利用先驗知識采取人工設(shè)計單種或多種特征的方法來實現(xiàn)對圖像中目標(biāo)的檢測，這些方法不僅執(zhí)行速度低、計算量大，而且可移植性較差，對于復(fù)雜背景下的多種類、多姿態(tài)目標(biāo)有著較差的適用性和魯棒性。卷積神經(jīng)網(wǎng)絡(luò)源起于Hubel等人在60年代對貓的大腦視覺皮層和視覺系統(tǒng)的研究，該研究提出了生物感受野(Receptive Field)這一觀點，研究人員設(shè)想將生物感受野的能力賦予計算機，讓計算機也能擁有類似于生物的視覺能力，可以對圖像中的多類目標(biāo)進(jìn)行自動搜索識別、定位和分類。基于這一設(shè)想，F(xiàn)ukushima于80年代、Lecun于90年代分別提出了Neocognitron和LeNet-5神經(jīng)網(wǎng)絡(luò)模型，其中前者可以認(rèn)為是卷積神經(jīng)網(wǎng)絡(luò)的首次實現(xiàn)，而后者成功地將梯度反向傳播算法應(yīng)用在模型的訓(xùn)練過程中，成為當(dāng)前卷積神經(jīng)網(wǎng)絡(luò)模型的奠基之作。

然而LeNet-5網(wǎng)絡(luò)模型主要是針對解決手寫數(shù)字識別問題提出來的，并且由于當(dāng)時計算機技術(shù)的限制和卷積神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)不夠完善，LeNet-5模型總體來說泛化能力較弱，并不能很好地解決復(fù)雜圖像的識別與分類問題。直到2006年，多倫多大學(xué)教授Hinton及其學(xué)生在《Science》期刊上創(chuàng)造性地提出深度學(xué)習(xí)的思想，該思想主要闡釋了兩個重要觀點：1)含有多個隱層的神經(jīng)網(wǎng)絡(luò)在特征學(xué)習(xí)方面有著杰出的優(yōu)勢，能夠更抽象、更本質(zhì)地表達(dá)出原始輸入數(shù)據(jù)，可有效解決識別或分類問題；2)通過實現(xiàn)“逐層初始化”方法，分級表達(dá)、解釋、和處理輸入的數(shù)據(jù)信息，可有效降低神經(jīng)網(wǎng)絡(luò)在訓(xùn)練上的復(fù)雜度。同時隨著計算機技術(shù)和硬件設(shè)備的飛速發(fā)展，研究人員取代CPU在運算性能更佳的GPU上實現(xiàn)了卷積運算，使得網(wǎng)絡(luò)的計算能力得到極大的提高。自此，國內(nèi)外科研界和工業(yè)界掀起了對基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法的研究熱潮。 

在當(dāng)今的大數(shù)據(jù)時代，卷積神經(jīng)網(wǎng)絡(luò)在圖像處理領(lǐng)域，如圖像識別、圖像分割、目標(biāo)檢測與跟蹤等方面取得了許多突破性進(jìn)展并發(fā)揮著不可替代的作用。就軍事領(lǐng)域而言，導(dǎo)彈武器系統(tǒng)面臨著日趨復(fù)雜的戰(zhàn)場環(huán)境和不斷升級的作戰(zhàn)方式，為達(dá)到作戰(zhàn)效果，導(dǎo)彈武器系統(tǒng)必須對目標(biāo)實施快速搜索與識別，精確智能的探測與跟蹤，為后續(xù)的火力打擊提供重要支撐。近幾年來涌現(xiàn)的以檢測精度為代表的Faster R-CNN、R-FCN等算法，和以檢測速度為代表的SSD、YOLO等算法，這些基于深度學(xué)習(xí)的算法相比于傳統(tǒng)的檢測算法，不僅避免了對手工設(shè)計特征的依賴，而且使得檢測過程更為高效化和智能化。鄭昌艷等針對導(dǎo)彈武器系統(tǒng)攔截蛇形機動目標(biāo)問題，提出了基于卷積神經(jīng)網(wǎng)絡(luò)的航跡模式識別方法，能夠?qū)Σ煌愋秃桔E圖像保持較高的識別率，提高系統(tǒng)魯棒性；馮小雨等在防空背景下針對特定任務(wù)，利用改進(jìn)的Faster R-CNN算法對空中目標(biāo)實現(xiàn)了遠(yuǎn)超于傳統(tǒng)算法的檢測效果。因此將基于深度學(xué)習(xí)的目標(biāo)識別、檢測技術(shù)應(yīng)用到導(dǎo)彈武器系統(tǒng)中，是提升作戰(zhàn)效能的必要手段和技術(shù)發(fā)展的必然趨勢。            

典型的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)通常由卷積層、池化層以及全連接層組成，圖1為一個簡化的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。其中C₁、C₂ 表示的是卷積層，S₁、S₂表示的是子采樣層。

圖1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

卷積層即為特征提取層，其核心為若干個可以訓(xùn)練學(xué)習(xí)的卷積核，首先原始輸入圖像與C₁層的卷積核W^l（圖1所示為3個，l表示第l層）以及一個可加偏置b^l進(jìn)行卷積運算，由此得到特征映射圖，對特征映射圖上相鄰區(qū)域nxn個像素進(jìn)行池化操作，常見的有最大池化和平均池化，該操作通過對特征圖降維，減少數(shù)據(jù)量從而節(jié)約訓(xùn)練分類器時的計算資源，其次池化后的輸出具有平移不變性的特性，增強了網(wǎng)絡(luò)的魯棒性；池化后的特征圖經(jīng)過激活函數(shù)后在S₁層獲得新的特征映射圖，常見的激活函數(shù)表達(dá)式及函數(shù)曲線圖如表1所示。新的特征映射圖再通過相同原理的C₂層與S₂層，最終的特征圖的像素值分別被柵格化，之后輸入到傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)中訓(xùn)練的為特征向量連接成的一維向量。

表1 常見的激活函數(shù)及其曲線圖

卷積神經(jīng)網(wǎng)絡(luò)的成功實現(xiàn)還得益于梯度反向傳播算法的提出和發(fā)展。輸入到神經(jīng)網(wǎng)絡(luò)中的圖像數(shù)據(jù)樣本x經(jīng)過訓(xùn)練后得到的網(wǎng)絡(luò)輸出，記為y_W,b(x)，與樣本的實際真值之間會存在誤差，誤差在算法中逐層傳播，卷積神經(jīng)網(wǎng)絡(luò)的卷積核等參數(shù)通過有監(jiān)督的學(xué)習(xí)訓(xùn)練，進(jìn)行逐層更新。在網(wǎng)絡(luò)訓(xùn)練中以代價函數(shù)P的大小來評判網(wǎng)絡(luò)訓(xùn)練模型的優(yōu)劣程度，實際中為了防止過擬合現(xiàn)象，代價函數(shù)通常被定義為公式(1)。任意l層的卷積核W^l和偏置項b^l都按照公式(2)的方法來進(jìn)行更新。

LeNet-5網(wǎng)絡(luò)模型適用于識別手寫數(shù)字，但在解決復(fù)雜圖像的識別分類問題上存在明顯不足。在ILSVRC2012競賽中，Alex Krizhevsky等人提出了基于卷積神經(jīng)網(wǎng)絡(luò)的AlexNet深度學(xué)習(xí)模型，該模型最終的網(wǎng)絡(luò)結(jié)構(gòu)共包含8層（5層卷積層和3層全連接層），最后的分類層采用的是softmax函數(shù)，同時采用新的非線性激活函數(shù)ReLU來抑制大的輸入導(dǎo)致的梯度消失問題并提高訓(xùn)練速度，以及設(shè)計局部響應(yīng)歸一化層、數(shù)據(jù)增強和采用dropout方法等手段提高網(wǎng)絡(luò)的泛化性能，抑制過擬合現(xiàn)象。AlexNet模型是深度學(xué)習(xí)在大規(guī)模圖像分類領(lǐng)域的首次應(yīng)用，并在競賽中以顯著優(yōu)勢超過了第二名傳統(tǒng)分類算法的結(jié)果。但是AlexNet模型的卷積層為了在原始圖像上快速獲得特征映射圖，設(shè)計了大尺寸的卷積核(11x11)，導(dǎo)致網(wǎng)絡(luò)訓(xùn)練過程中丟失了很多細(xì)節(jié)特征，影響網(wǎng)絡(luò)的最終分類結(jié)果。

針對解決AlexNet模型的弊端，牛津大學(xué)的視覺幾何組在ILSVRC2014競賽中提出了VGGNet模型，該模型的最終版本有VGG16和VGG19兩種，圖2所示的為VGG16模型的網(wǎng)絡(luò)結(jié)構(gòu)，由圖可以看出VGG16模型仿照AlexNet模型的5層卷積層將13層卷積層分為了五組，另外也包含3層全連接層，VGG19模型在后三組分別比VGG16模型多了一層卷積層。該模型相比于AlexNet主要有兩點改進(jìn)：1)證明了使用多個小尺寸的卷積核（VGGNet模型中均采用3x3的卷積核）可以代替大尺寸的卷積核，而通過利用小尺寸卷積核適當(dāng)增加網(wǎng)絡(luò)的深度可以取得更優(yōu)的分類結(jié)果；2)采用了多尺度訓(xùn)練方法，增強了網(wǎng)絡(luò)對圖像縮放的不變性能力。

圖2 VGG16網(wǎng)絡(luò)結(jié)構(gòu)

VGGNet模型證明了隨著網(wǎng)絡(luò)深度的增加，網(wǎng)絡(luò)的學(xué)習(xí)能力也會得到相應(yīng)提升，但是實驗證明僅通過對網(wǎng)絡(luò)簡單的堆疊來加深網(wǎng)絡(luò)會導(dǎo)致深層次網(wǎng)絡(luò)出現(xiàn)梯度消失現(xiàn)象，不能獲得理想的識別分類效果。在ILSVRC2015競賽中，冠軍由何凱明團(tuán)隊首次提出的網(wǎng)絡(luò)層數(shù)超過一百層（實際為152層，目前已可達(dá)到1000層）的深度殘差網(wǎng)絡(luò)模型ResNet獲得，該模型設(shè)計的的核心結(jié)構(gòu)（圖3所示）通過恒等快捷連接方式很好的解決了梯度消失問題，從而保證了深層網(wǎng)絡(luò)良好的識別分類效果。

圖3 殘差網(wǎng)絡(luò)結(jié)構(gòu)

其它的典型的卷積神經(jīng)網(wǎng)絡(luò)模型還包括谷歌團(tuán)隊設(shè)計的GoogLeNet模型、與密歇根大學(xué)聯(lián)合提出的TALNet模型，以及微軟亞洲研究院先后提出的SPPNet模型和PReLUNet模型。值得一提的是，在ILSVRC 競賽數(shù)據(jù)集的識別分類上，PReLUNet是第一個實現(xiàn)超越人眼識別率的網(wǎng)絡(luò)模型。目前研究人員也設(shè)計了一些專門應(yīng)用在移動設(shè)備上的神經(jīng)網(wǎng)絡(luò)模型，例如MobileNet、ShuffleNet、PeleeNET等模型。

基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型在圖像識別分類領(lǐng)域得到了成功應(yīng)用并取得了令人矚目的成就，其在學(xué)習(xí)特征方面表現(xiàn)的優(yōu)異性能也吸引了目標(biāo)檢測領(lǐng)域眾多研究人員的關(guān)注。第一個將卷積神經(jīng)網(wǎng)絡(luò)較好地應(yīng)用在目標(biāo)檢測領(lǐng)域的模型是Girshick等人于2014年提出的R-CNN模型，以平均準(zhǔn)確率均值mAP為評估準(zhǔn)則，該模型遠(yuǎn)遠(yuǎn)超過了以往的傳統(tǒng)檢測算法在標(biāo)準(zhǔn)PASCAL VOC數(shù)據(jù)集測試集上的檢測準(zhǔn)確率，提高了將近20%。此后在R-CNN模型的基礎(chǔ)上，一系列優(yōu)秀的目標(biāo)檢測模型相繼被提出，這些檢測模型大致可以分為基于候選區(qū)域網(wǎng)絡(luò)方法和基于回歸方法兩大類。

3.1  基于候選區(qū)域網(wǎng)絡(luò)的檢測模型

3.1.1  Faster R-CNN模型

Faster R-CNN算法模型的提出依次經(jīng)歷了R-CNN、Fast R-CNN等多個算法模型的改進(jìn)。R-CNN檢測算法模型與傳統(tǒng)檢測算法在進(jìn)行圖像目標(biāo)檢測時步驟相類似，主要分為三個階段，即首先在輸入樣本圖像上找尋可能存在目標(biāo)的位置，稱為候選區(qū)域，這一階段常用的方法有selective search或edgebox方法；其次分別提取待分類候選區(qū)域的特征，這一階段完全利用卷積神經(jīng)網(wǎng)絡(luò)方法來實現(xiàn)，是R-CNN檢測算法模型區(qū)別于傳統(tǒng)檢測算法的核心階段；最后一個階段是訓(xùn)練SVM分類器對第二階段提取到的特征進(jìn)行分類，以及利用邊框回歸算法修正坐標(biāo)，保證目標(biāo)的定位。由三個階段可以看出，R-CNN模型在實現(xiàn)圖像目標(biāo)檢測過程中每個階段都使用了不同的方法，此外在第二階段中需要對每張樣本圖像中的所有候選區(qū)域都進(jìn)行卷積操作提取特征，并且存儲特征供第三階段的SVM使用，帶來了訓(xùn)練步驟復(fù)雜、占用空間內(nèi)存大等弊端，極大地限制了檢測模型的實時性需求。

2015年Girshick將R-CNN模型與何凱明等人提出的SPPNet思想相結(jié)合，提出了新的檢測模型Fast R-CNN，其網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。由圖4可知Fast R-CNN模型相比于R-CNN模型其核心過程在于感興趣區(qū)域(RoIs)思想以及softmax分類層、邊框回歸層的提出，而且整個過程只對每幅樣本圖像進(jìn)行了一次卷積操作。每幅樣本圖像的感興趣區(qū)域由圖像的標(biāo)注真值框和候選區(qū)域之間的IoU計算篩選得到，感興趣區(qū)域池化層借鑒SPPNet的空間金字塔池化層思想，不再嚴(yán)格規(guī)定輸入樣本圖像的尺寸規(guī)格，通過該池化層后任意尺寸的特征圖都被統(tǒng)一到相同的維數(shù)。Fast R-CNN模型的輸出結(jié)果由完全代替SVM的softmax分類層和邊框回歸層得到，這兩個全連接層分別計算的是目標(biāo)所屬類別的概率值（包括前景概率值、背景概率值）和定位目標(biāo)框的坐標(biāo)值，同時還利用了一種融合分類任務(wù)損失和回歸任務(wù)損失的多任務(wù)損失函數(shù)方法對這兩個全連接層進(jìn)行訓(xùn)練，提高模型分類精度和修正目標(biāo)框坐標(biāo)值。Fast R-CNN模型將圖像的特征提取和定位檢測都直接通過卷積神經(jīng)網(wǎng)絡(luò)來實現(xiàn)，使得模型的訓(xùn)練和測試速度得到了顯著提升。

圖4 Fast R-CNN模型結(jié)構(gòu)

Fast R-CNN模型將R-CNN模型進(jìn)行目標(biāo)檢測過程的后兩個階段利用卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)了統(tǒng)一，但是在第一階段候選區(qū)域的選取上沒有給出更好的方法。因此2015年任少卿等人針對候選區(qū)域選取問題提出了RPN，即候選區(qū)域網(wǎng)路，也利用卷積神經(jīng)網(wǎng)絡(luò)的方法來生成候選區(qū)域，其結(jié)構(gòu)示意圖如圖5所示。其原理是在網(wǎng)絡(luò)模型最后的特征映射圖上添加一個尺寸為3x3的滑動窗，滑動窗的中心就是K個錨點框的中心，錨點框的尺度和長寬比不一，在特征映射圖上確定中心坐標(biāo)、尺度和長寬比的錨點框，再映射回原始樣本圖像即可獲得候選區(qū)域?？梢砸暈镽PN和Fast R-CNN模型相結(jié)合而成的Faster R-CNN模型在訓(xùn)練過程中采用了一種多階段交替訓(xùn)練的方法，從而實現(xiàn)了RPN和Fast R-CNN模型部分卷積層的權(quán)值參數(shù)共享。至此Faster R-CNN模型利用卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)了將目標(biāo)檢測過程三個階段一體化的任務(wù)，在數(shù)據(jù)集上的測試結(jié)果表明Faster R-CNN模型在保證mAP得到提升的同時也基本滿足了目標(biāo)實時性檢測的要求。

圖5 候選區(qū)域網(wǎng)絡(luò)結(jié)構(gòu)

3.1.2  R-FCN模型

諸如Faster R-CNN模型、解決目標(biāo)遮擋問題的ION模型、實現(xiàn)多個卷積層特征圖融合的Hypernet模型等眾多目標(biāo)檢測架構(gòu)，其中應(yīng)用的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)主要來自于對分類網(wǎng)絡(luò)模型AlexNet或VGGNet等的借鑒，均采用在最后卷積層池化層的末端添加若干層全連接層的方式。R-FCN模型則根據(jù)目標(biāo)檢測需要定位目標(biāo)位置的特點將ResNet改造成了一種全卷積網(wǎng)絡(luò)，即使用一層位置敏感卷積層來替換掉全連接層，繼而相應(yīng)提出了位置敏感得分這一概念，旨在解決目標(biāo)檢測過程中全連接層丟失目標(biāo)精確位置信息的問題。

圖6 位置敏感池化

圖6給出的是R-FCN模型設(shè)計的位置敏感池化方式圖，該模型關(guān)鍵步驟是將經(jīng)RPN網(wǎng)絡(luò)選取的C+1類待檢測物體的每個感興趣區(qū)域劃分成kxk（文中k=3）塊小區(qū)域，每塊小區(qū)域?qū)?yīng)目標(biāo)的不同位置，并計算不同位置可能屬于目標(biāo)的相應(yīng)分值，再通過一個類似于投票的過程，根據(jù)分?jǐn)?shù)值高低來判斷目標(biāo)所屬類別。由圖可以看出，R-FCN模型在實現(xiàn)分類的同時目標(biāo)的位置信息也得到了很好的保留，有利于目標(biāo)的檢測定位。

3.2  基于回歸方法的檢測模型

3.2.1  SSD模型

由谷歌團(tuán)隊構(gòu)造的SSD檢測模型與上述幾種檢測模型的工作方式明顯不同，其模型架構(gòu)相比于VGG16基礎(chǔ)網(wǎng)絡(luò)是在最后一層卷積層的末端多添加了若干層不同尺度的特征層。

SSD模型完成檢測過程只需要樣本圖像和標(biāo)注真值標(biāo)簽這兩個部分的輸入，之后通過3x3卷積核的滑動在每層卷積層產(chǎn)生的特征圖的每個位置上畫默認(rèn)邊界框，再對邊界框進(jìn)行預(yù)測，其性質(zhì)與候選區(qū)域網(wǎng)絡(luò)的錨點框相一致。通過這樣的工作方式SSD模型產(chǎn)生了大量的負(fù)樣本邊界框，針對這一問題，SSD模型也采用了非極大值抑制方法以及難分樣本挖掘 (hard negative mining) 技術(shù)進(jìn)行處理。從檢測流程總體來看，SSD模型使用了一種可稱為單神經(jīng)網(wǎng)絡(luò)多邊界框檢測(Single Shot MultiBox Detector)的方式直接完成候選區(qū)域選取和區(qū)域分類這兩個步驟的工作，因此大大縮短了檢測時間，該檢測模型完全能夠達(dá)到實時檢測的要求。目前SSD算法已經(jīng)被研究人員成功移植到iOS系統(tǒng)上并能流暢地運行，其在手機上的運行速度已經(jīng)超越了在一般計算機CPU上的運行速度。 

3.2.2  YOLO模型

YOLO模型全稱為You Only Look Once，意為只用看一眼物體即可將其識別出來，代表了極高的檢測速度。目前研究人員在YOLO模型基礎(chǔ)上主要設(shè)計出了三種改進(jìn)版本，分別為YOLOv2模型、YOLO9000模型和YOLOv3模型，逐漸使目標(biāo)檢測模型朝著更好更快更強的方向發(fā)展。

1)YOLO模型從一開始就是針對解決基于候選區(qū)域網(wǎng)絡(luò)模型的檢測速度欠缺問題而提出來的，該模型的網(wǎng)絡(luò)結(jié)構(gòu)是一個單純的卷積神經(jīng)網(wǎng)絡(luò)，在輸出層回歸邊界框位置及其所屬類別，參考的是GoogLeNet并進(jìn)行了改造。模型關(guān)鍵思路是首先將輸入樣本圖像分割成7x7大小的子網(wǎng)格，待檢測物體由包含其中心點的子網(wǎng)格來進(jìn)行預(yù)測，每個子網(wǎng)格負(fù)責(zé)輸出2個邊界框的中心點坐標(biāo)(x_center，y_center)、寬、高以及置信度值，其中在訓(xùn)練過程中中心點坐標(biāo)需要相對于所屬子網(wǎng)格進(jìn)行歸一化處理，寬、高需要相對于樣本圖像進(jìn)行歸一化處理，置信度值則由(3)式計算得到，若有人工標(biāo)注的真值框中心點落在該子網(wǎng)格中則Pr(object)為1，否則為0。此外每個子網(wǎng)格還需要對其分別所屬C類物體的概率值進(jìn)行預(yù)測。

雖然YOLO模型的檢測速度遠(yuǎn)遠(yuǎn)高于基于候選區(qū)域網(wǎng)絡(luò)的檢測模型，但是其也存在定位誤差大和對密而小目標(biāo)適用性較差的缺陷。

2)YOLOv2模型設(shè)計的基礎(chǔ)分類網(wǎng)絡(luò)是只包含卷積層和池化層的Darknet-19，該模型對YOLO的改進(jìn)體現(xiàn)在以下幾個方面：①引入Batch Normalization方法，即在網(wǎng)絡(luò)當(dāng)前層訓(xùn)練前歸一化處理輸入到該層的數(shù)據(jù)，加快模型收斂速度；②使用高分辨率輸入微調(diào)模型的分類網(wǎng)絡(luò)，在進(jìn)行檢測任務(wù)時提高網(wǎng)絡(luò)對高分辨率輸入的適用性；③借鑒候選區(qū)域網(wǎng)絡(luò)錨點框思路來預(yù)測邊界框，提高模型召回率；④采用K-means聚類方法尋求更優(yōu)的初始化邊界框；⑤通過在網(wǎng)絡(luò)中添加passthrough層來結(jié)合不同分辨率的特征以獲得更加精細(xì)的特征信息；⑥多尺度訓(xùn)練網(wǎng)絡(luò)，提高網(wǎng)絡(luò)對不同分辨率輸入的檢測魯棒性。

3) YOLO9000模型是與YOLOv2模型一同被提出來的，YOLO9000模型參考WordNet提出了 WordTree這一機制，將ImageNet數(shù)據(jù)集前9000個類別、COCO檢測數(shù)據(jù)集類別以及其它一些類別整合成了一個包括9418個類別的聯(lián)合數(shù)據(jù)集，之后用聯(lián)合數(shù)據(jù)集對模型進(jìn)行訓(xùn)練，整個過程也可以被稱為聯(lián)合訓(xùn)練過程，YOLO9000模型可以看成是YOLOv2模型與聯(lián)合訓(xùn)練方式的結(jié)合，其最突出的特點和優(yōu)勢是能夠?qū)Τ^9000類物體的數(shù)據(jù)集樣本圖像進(jìn)行實時檢測。

4)YOLOv3模型的特征提取網(wǎng)絡(luò)結(jié)構(gòu)不僅綜合了YOLOv2和ResNet的特點，并且為了實現(xiàn)多尺度的預(yù)測而參考了特征金字塔網(wǎng)絡(luò)FPN的設(shè)計，由此構(gòu)造出一個包含53層卷積層的深層網(wǎng)絡(luò)結(jié)構(gòu)Darknet-53，此外YOLOv3模型還利用多個邏輯分類器來代替softmax進(jìn)行分類以適用于復(fù)雜目標(biāo)類別或多標(biāo)簽分類。

基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)模型在圖像分類領(lǐng)域取得的突出成就也促進(jìn)了其在更具挑戰(zhàn)性的圖像檢測領(lǐng)域的迅猛發(fā)展和不斷進(jìn)步，海量的數(shù)據(jù)和強大硬件設(shè)備的支撐是卷積神經(jīng)網(wǎng)絡(luò)能夠在圖像處理領(lǐng)域取得空前成功的重要基礎(chǔ)。就本文的介紹來看，基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)模型沒有最好只有更好，因此其在某些方面仍然需要進(jìn)行持續(xù)完善和改進(jìn):

(1)完備卷積神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ)，對網(wǎng)絡(luò)表達(dá)的特征進(jìn)一步解釋和優(yōu)化，提高檢測準(zhǔn)確率;

(2)在保證準(zhǔn)確率的前提下設(shè)計更優(yōu)更輕型的網(wǎng)絡(luò)模型，減少對強大硬件設(shè)備依賴的同時實現(xiàn)實時檢測，更好地應(yīng)用于嵌入式設(shè)備中;

(3)使用巧妙的設(shè)計來減少模型運算的吞吐量，取得檢測準(zhǔn)確率、速度以及內(nèi)存消耗之間的均衡。

除此之外提高模型的可編程性、能效和學(xué)習(xí)率等性能也是需要面臨的挑戰(zhàn)，亟待解決。盡管如此，卷積神經(jīng)網(wǎng)絡(luò)依靠其巨大的潛力優(yōu)勢吸引著越來越多的學(xué)者對其進(jìn)行探索和不斷拓展，可以預(yù)見的是卷積神經(jīng)網(wǎng)絡(luò)在未來的應(yīng)用領(lǐng)域和發(fā)展前景必將更加廣闊。

引用格式: 姜曉偉,王春平,付強. 卷積神經(jīng)網(wǎng)絡(luò)及其在目標(biāo)檢測中的應(yīng)用[J]. 戰(zhàn)術(shù)導(dǎo)彈技術(shù), 2019, (1): 108-114+123.