171计算机与图像技术Computer&MultimediaTechnology电子技术与软件工程ElectronicTechnology&SoftwareEngineering目标检测是计算机视觉领域的一个重要分支，其任务是找出图像中若干特定的目标，并给出它们的类别和位置。近年来，目标检测算法一直是计算机视觉和图像处理领域的研究热门，一方面在于它是图像语义分割[1]、实例分割[2]等更复杂视觉任务处理的基础，另一方面是因为它在机器人导航、智能监控以及工业检测等诸多领域的巨大应用前景。目标检测的发展可分为两个阶段，分别是基于人工提取特征的传统阶段和基于深度学习方法的新阶段。传统目标检测多采用滑动窗口结合手工提取特征的方法，最后结合专门的分类器进行分类。典型的算法有ViolaJones[3]、HOG[4]、DPM[5]等。其中，DPM达到了传统检测算法的巅峰，连续获得PascalVOC(ThePascalVisualObjectClassesChallenge)挑战赛2007~2009年三年的检测冠军。它采用了将整体拆分检测的思想，并用到了包围框回归和上下文信息集成等方法，对目标检测领域的后续发展产生了深远的影响。但是，人工设计特征不仅工作量大、算法鲁棒性差，而且性能提升也遇到了瓶颈，在DPM之后一直没有大的突破。直到2014年，R.Girshick等人将CNN(ConvolutionalNeuralNetworks)[6]应用到目标检测当中，尝试使用卷积神经网络来提取特征，较传统方法一下将检测的平均精度提升了约30%，给检测效果带来了质的飞跃。这就是在目标检测领域有着里程碑意义的R-CNN[7]，自此，目标检测与深度学习结合了起来，进入了新的发展阶段。自R-CNN之后，又相继出现了SPP-Net[8]、FastR-CNN[9]、FasterR-CNN[10]、R-FCN[11]以及YOLO[12]、SSD[13]等速度更快、效果更好的检测算法。本文将重点介绍基于卷积神经网络的目标检测算法。1CNN简述卷积神经网络（ConvolutionalNeuralNetworks,CNN）是一类包含卷积计算且具有深度结构的前馈神经网络[14]。因卷积操作对特征提取的独特优势，使得它比传统的神经网络具有更好的学习能力。目前，卷积神经网络已成为深度学习的主流框架，并已被广泛应用于图像处理、自然语言处理和医疗诊断等多个领域。1.1CNN结构与特点卷积神经网络其整体架构分为输入层、卷积层、池化层和全连接层。网络通过这些单元完成特征提取、非线性映射、下采样、转化输出以及最终构造目标函数并优化的基本过程。卷积神经网络采用了三个基本概念：局部链接，共享权值和池化。局部连接和共享权值大大减少了参与卷积网络的参数，同时，它...
