基于深度学习的图像目标检测算法的研究及应用

人类所接触的信息大都是视觉信息，自古以来，人们凭借看到的信息模仿学习从而进步乃至创造，即便是到了现如今科技的时代，图像和视频这些由高科技带来的视觉信息也同样是人们愿意从中找出兴趣快乐甚至投身研究的首选，而目标检测便是人们为了利用好这些视觉信息而应运而生的前沿技术，它不断被突破技术难关，攻坚克难，已经成为了当前计算机视觉识别领域的中流砥柱，它的技术并不是单一的，而是涵盖着涉及人工智能、识别分类等很多方面的高端研究成果，并大范围应用在智能化系统系列、农产品检测、物品分类等领域。所谓图像目标检测，就是对输入的图像进行目标锁定，范围圈定，类别确定，而当面对视频也就是动态的图像时，也可以做到精准定位，把所需要的图像识别出来。本文对图像目标检测算法进行了研究，提出新的角度想法，想要使用卷积神经网络来对目标检测算法中传统目标检测方法的一些不好的地方进行改进，同时也对比分析了算法实验。

一、研究背景及意义

人类所接触的信息大都是视觉信息，自古以来，人们凭借看到的信息模仿学习进步乃至创造，即便是到了现如今科技的时代，图像和视频这些由高科技带来的视觉信息也同样是人们愿意从中找出兴趣快乐甚至投身研究的首选，而目标检测便是人们为了利用好这些视觉信息而应运而生的前沿技术，并且让机器的检测结果像人眼所接受的视觉信息一样准确就成为了人们在这个领域中一个很重要的前进方向，图像目标检测水平因为人们在这个方向上坚定不移的前进而不断提高，不断变得更令人信服，也更能在一些关键时刻及时为我们提供有用信息，像是抓捕案犯，识别闯红灯的行人身份等。当然了，有时候图像不一定原本也是图像，也可能来自于一个状态为动态的视频，在这种情况下，图像其实是连续变化的，我们需要从中捕捉到想要分类出的静态图像。上述提到的捕捉过程，其中就有着人工智能等技术的大学问，可以在公安系统、航天航空、监控系统等领域中占据重要一席之位。

二、卷积神经网络

计算机性能的极速发展势不可挡，针对深度学习的应用也同样变为了大势所趋，究其本质，均是因为深度学习在一些方面与浅层模型相较起来，可以更优进行特征的提取，更佳的实现建模领域的相关要求需要。对于显而易见的信息，浅学习当然可以识别出来并且将之表达，但如果面对的信息变得模糊了，那么就需要应用深度学习了，因为它能够在从容的面对数据大量增长的同时，却对性能的影响很少。我们都知道随着一个算法，机器语言的不断升级，需求不断提高，它的数据集和处理能力的压力一定会变大，这个时候就会考验当前所用的算法程序是否高级优异，能够担起安排到其身上的任务。但是卷积神经网络顶住了压力，并且表现非常好。在卷积神经网络的推动下，其他很多方向的技术也协同前进起来了，像是智能识别，语音识别的水平功能等也得到了提升。在系统中构造的网络常常会出现复杂冗余琐碎的问题，但卷积神经网络将这些弊端展现的可能性全部拉低，它通过局部连接，池化操作等优秀功能使得算法在检测时的运行得到了很大的改善，可以肯定地讲，和其他的神经网络算法比起来，卷积神经网络在处理等操作时都牢握胜券。

三、 分类回归模型

分类回归模型地用途大抵用于一个方向，那就是判断卷积神经网络的分类准确率。它的训练方式有两种，第一种为正向传播，它是一个我们把手中的信息输入进去，然后进行传导并处理，进入下一层，最后将处理完的数据输出的过程；第二种是反向传导，它负责误差传导的部分。这两种方式是相互辅助，相互作用的，信息在这两种方式之间不断游走。需要注意的是，误差结果的得出是正向传播在起作用，误差可以表明我们构建的体系是否存在不足，有助于帮我们检测其完成度。

效果图

总结与展望
图像等视觉信息作为人类获取信息的主要来源，图像信息的利用在各个领域具有重要的意义，本文主要研究视觉信息领域的目标检测方法即卷积神经网络，分析国内外视觉信息研究现状，对卷积神经网络进行详细的介绍和分析，与卷积神经网络息息相关的FastR-CNN算法是我们研究操作的对象，在此算法的身上再进行进一步的实操，秒速是对这个算法步骤实行的第一步，再找到之前整理的flower_photos，将其作为使用的数据集，因为对数据集的处理有训练与测试之别，故而需要将我们使用的数据集按照我们的需要进行操作以便算法能够顺利运行，我们还需得出目标分类的准确率检测，运用的的算法是SVM分类回归算法。得到实验结果之后，我们将所得结果和传统的图像目标检测算法结果拿到一起比较，不难发现，图像目标检测分类结果中，准确率更高的显然是这篇文章研究的基于CNN的算法方法。再接下来的学习中我还会继续深入研究深度学习图像检测算法，更换不同数据集对损失函数进行修改和优化，获得更高的分类准确率。