1、“.....图像选择性预处理主要分为候选区域搜索和回归两种方法，经过提取图像目标特征后，又依据第步预处理方法的不同，特征分类又分为分类器分类以及直接计算类别概率两种方法。图为基于深度卷积网络的目标检测系统技术流程图。基于卷积神经网络的目标和方法下的深度卷积网络在目标检测方面的性能对比。基于深度卷积网络的目标检测技术综述论文原稿。基于卷积神经网络的目标检测系统技术流程目标检测主要分为两个步骤目标分类和目标定位，分类主要用于判断出输入图像中具有所需特征的物体，定位则是对目标物体确定位置和范围，这两个步骤保证了系统目标识别的准确性和实时性。不同于传统的手动特征提取，深度卷积网络提供了种端到端的学习模型，模型中的参数可以通过梯度下降方法进行训练，使网络模型能够自主学习图像特征，完成对图像特征的提取和分类。在的卷积层中......”。

2、“.....基于深度神经网络的目标检测系统在设计过程中，主要涉及到个流程图像选择性预处理基于的图像特征提取及候选框优化特征分类。图像，。基于卷积神经网络的目标检测技术发展现代第个结构较为完整的是由加拿大多伦多大学教授提出的网络，该模型使用代替了传统的激活函数，另外使用可叠加的池化层以及减小过拟合，在手写字符识别领域的成功应用引起了学术基于深度卷积网络的目标检测技术综述论文原稿了让机器学习避免过拟合并尽量满足更多实例，构建的个视觉信息复杂模型趋于高维并配以大量参数的数据集。行人数据集由总共约小时的视频组成，该系列视频是在城市环境中通过常规交通工具拍摄的。其中包含大约万帧的万个边框和个姿态各异的行人。行人数据集在年由等人提出，用于检测图像和视频中行人。数据集主要包含数据集的图像与相应的注释文件标准化像素的正样本图像两种格式，原始的正面高分辨率图像可以突出人物......”。

3、“.....在建立特征模型后通过或者进行分类任务，最终得到目标结果。但是由于传统特征模型的局限性，近年来，通过与目标检测技术的结合得到的特征信息，在精准度和测试速度基于的方法的思想是采用單个神经网络直接对整张输入图像作为输入进行训练，更加快速地区分背景区域和目标，它不同于中生成候选区域的中间步骤，能够更加简单快速地对目标物体进行实时监测。该方法将输入图像分成大小的网格，每个网格单元预测边界框和这些边界框的可信度。从本质上解决了目标检测领的实时性问题，真正实现端到端的结构。改进了目标位置准确性比较差的问题，并基于中的机制，在识别阶段，该方法通过整张图像的输入选定若干个边界框的位置信息和类别信息，并在特征图像中使用几种不同尺度形状的边界框对目标物体进行预测。在测试阶段，该网络对每每边界框中各个类别的物体存在可能性进行预测......”。

4、“.....在的基础上，添加区域建议网络，将候选框提取合并到深度神经网络中，通过交替训练建立统的深度神经网络框架，减少重复计算，大大提高运行速度，几乎达到了效果上的最优。的提出已有两年多时间，但引入的实现了端到端的训练，生成了高质量的区域建议框，使得该框架仍旧是行人检测领域的主流框架之。关键词目标检测卷积神经网络深度学习中图分类号文献标识码文章编号目标检测技术是通过目标特征提取分割等技术来确定图像中目标物体具体位置的技术，随着目标检测技术的不断发展，其内涵和范畴也在不断丰富拓展。目前，针对目标检测技性和网络计算复杂性的问题，那么基于深度卷积网络的目标检测技术将会得到更广泛的实际应用。参考文献数据库，并对每个数据库进行简要说明年由等人建立，作为个供机器识别和训练的大型图片数据库，共包含个大类别，每类图片数量在千至万张不等。年由等人收集而成的物体及场景识别数据集......”。

5、“.....对于监督学习和定量分析有巨大的帮助。由及其团队于年为了让机器学习避免过拟合并尽量满足更多实例，构建的个视觉信息复杂模型趋于高维并配以大量参数的数据集。行人数据集由总共约小时的视频组成，该系列视频是在城市环境中通过常规交通工具拍摄的。其中包含大约万帧的万个边框和个姿态各异的行人。行人数据集在年由等人提出，用于检测图像和视频基于深度卷积网络的目标检测技术综述论文原稿术的研究引起了持续而普遍的关注，已成为计算机视觉领域中的研究热点和难点。深度神经网络模型通过模拟人脑的视觉感知系统，从输入图片中提取边缘特征，并将边缘特征逐层向上抽象传递，以此获得更高级的特征。随着深度神经网络日趋火热，深度学习模型也被广泛应用于图像识别领域，如目标分割识别和检测等问题。在的基础上，添加区域建议网络，将候选框提取合并到深度神经网络中......”。

6、“.....减少重复计算，大大提高运行速度，几乎达到了效果上的最优。的提出已有两年多时间，但引入的实现了端到端的训练，生成了高质量的区域建议框，使得该框架仍旧是行人检测领域的主流框架之。，络获得的特征更自然，并且通用性好，对定程度的扭曲形变有良好的鲁棒性。随着卷积神经网络技术的发展及在目标检测领域的应用广泛，很多基于加深网络模型的层数增强卷积模的计算功能等算法思路的改进，许多优秀的网络模型也不断涌现。表是基于和方法下的深度卷积网络在目标检测方面的性能对比。基于深度卷积网络的目标检测技术综述论文原稿。基于的方法的思想是采用單个神经网络直接对整张输入图像作为输入进行训练，更加快速地区分背景区域和目标，它不同于中生成候选区域的中间步骤，能够更加简单快速地对目标物体进行实时监测。该方法将输入图像分成大小的网格，每个网格单元预测边界框和这些边界框的可信度。从本质上解决了中行人......”。

7、“.....原始的正面高分辨率图像可以突出人物。结语传统的目标检测任务主要通过不同尺度的滑动窗口提取特征模型，在建立特征模型后通过或者进行分类任务，最终得到目标结果。但是由于传统特征模型的局限性，近年来，通过与目标检测技术的结合得到的特征信息，在精准度和测试速度上都获得了极大突破。尽管基于卷积神经网络方面的研究已经取得了些成功，但是距离广泛实际应用还有段距离。基于的目标检测是当今形势下个具有挑战性的课题，有十分重要的研究意义和应用价值。随着大数据和人工智能时代的到来，有理由相信，在未来的目标检测问题中，如果将现有的网络模型多层特征表示融合优化，更好地解决在复杂场景下的鲁棒目标检测领的实时性问题，真正实现端到端的结构。改进了目标位置准确性比较差的问题，并基于中的机制，在识别阶段......”。

8、“.....并在特征图像中使用几种不同尺度形状的边界框对目标物体进行预测。在测试阶段，该网络对每每边界框中各个类别的物体存在可能性进行预测，并且通过对边界框的调整以适应目标物体的形状，最后经过非极大抑制的方法筛选得到最终的检测结果。目标检测数据库近年来，有关目标检测的研究不仅提出了大量算法模型，而且也收集了很多用于训练测试网络模型的数据库。图像数据库是种通过有效标注及精准分类完成的宝贵资源，权威的数据集为模型的建立和完善打下了坚实的基础。以下列出了目前研究中常用的目标检基于深度卷积网络的目标检测技术综述论文原稿测技术发展现代第个结构较为完整的是由加拿大多伦多大学教授提出的网络，该模型使用代替了传统的激活函数，另外使用可叠加的池化层以及减小过拟合，在手写字符识别领域的成功应用引起了学术界对于的关注随后，和他学生利用在的竞赛中举夺冠，在率上达到历史性突破年......”。

9、“.....将全连接以及般的卷积层转为稀疏连接，保证了网络结构的稀疏性和密集矩阵的高计算性能。通过卷积运算使得计算机能够自动从图像中提取目标特征，这使得网选择性预处理主要分为候选区域搜索和回归两种方法，经过提取图像目标特征后，又依据第步预处理方法的不同，特征分类又分为分类器分类以及直接计算类别概率两种方法。图为基于深度卷积网络的目标检测系统技术流程图。在的基础上做了实质性的改进。通过采用空间金字塔池化替换了全连接层之前的最后个池化层，有效解决了的重复提取特征的计算问题，突破了速度瓶颈。在设计上借助分块兼容特征的思路，在固定输入的全连接层前，接入网络层，拼接特征解决需要的固定输入问题，然而仍然存在训练多阶段和花费大的问题。基于深度卷积网络的目标检测技术综述论文原稿......”。