3.2 SPP-Net 13

3.3 Fast R-CNN 15

3.4 Faster R-CNN 15

3.5 R-FCN 15

3.6 YOLO系列 16

3.7 其他检测算法 17

4 设计 19

4.1 实验环境搭建 19

4.2 实验过程 20

4.3 主要代码分析 22

4.4 实验结果 24

4.5 Fast-RCNN实际性能评价 25

5 结论 26

5.1 工作总结 26

5.2 未来展望 26

致谢 27

参考文献 28

绪论

随着大数据时代的到来，在我们身边出现的各种信息越来越多，如声音信息，文字信息及实物信息等等，因此利用好这些数据对我们社会的发展起着至关重要的作用，而图像信息这是所有信息中出现最多的了。现在无论是电子监控，道路测速还是无人驾驶或是AR技术都离不开图像识别技术，因此本文将仔细分析研究深度学习，图像识别技术以及各种目标检测算法的优劣并以他们作为参考完成一个简单的图像识别系统。

研究背景

由于现在科技的日益发展，社会现代化程度发展也日趋迅速，人们的生活水平也会随着快速提高。现在越来越多的学者开始关注人工智能这一项技术，人工智能是用于模拟，提高人类智能的一项前沿技术。相信在不远的将来，我们在人工智能的帮助下可以看见机器人代替人类做体力活，在马路上碰到无人驾驶的汽车，在老人或孩子身边有一个无微不至的机器管家。现在不论是工业运用还是科技创新都离不开人工智能，人工智能已经深入到了医学，航天，工业，安保，机器人各个方面。并且例如谷歌，百度这类的大公司也纷纷投入了对人工智能的研究之中。

现今因为互联网技术的发展普及，人们即使坐在家中不出门也可以从网上获取大量的各种各样的信息。图像信息就是庞大信息中出现次数最多的信息了。小到人们使用的微信朋友圈图片，大到保卫人们生命财产安全的视频监控都是供给我们利用的图片信息。图像目标识别算法作为AI及计算机视觉的一项重要的分支，在当今有着极其广泛的运用，比如医学，航天，军事，工业，安保等等。在这些研究之中有些已经取得了重要的成果，像是利用视频监控识别在逃犯罪分子，自动驾驶技术，iphone X上运用的人脸解锁等等，这些研究成果极大地保障我们生活的安全同时也给我们带来了极大的便利。现在的图像目标识别系统主要由图像中的目标分割，目标提取，目标分类三部分组成。因此对于简单图像的处理只要能解决攻克上述三部分就可以了。