全文总字数：4271字
文献综述
文 献 综 述一、引言目前，深度学习相关的研究蓬勃发展，在目标检测与识别领域涌现出大量的目标检测架构。
目标检测是为了解决图像里的物体是什么，在哪里的问题。
输入一幅图像，输出的是图像里每个物体的类别和位置，其中位置用一个包含物体的框表示。
从计算机视觉的角度看，目标检测是分类 定位，从机器学习的角度看，目标检测是分类 回归。
目标检测架构分为两种，一种是two-stage，一种是one-stage，区别就在于 two-stage 有region proposal 过程，类似于一种海选过程，网络会根据候选区域生成位置和类别，而 one-stage 直接从图片生成位置和类别。
本设计中使用的YOLO算法，就是一种one-stage方法。
YOLO一共发布了四个版本，其中 YOLOv1 奠定了整个系列的基础，后面的系列就是在第一版基础上的改进，只为提升性能。
YOLOv3在v2的基础进行了一些小改动，核心思想与YOLOv2相近。
对模型做出了一些改进：1)边界框预测：定位任务采用 anchor box 预测边界框的方法，YOLOv3 使用逻辑回归为每个边界框都预测了一个分数objectness score，打分依据是预测框与物体的重叠度。
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
