《表2 近10年以来主流行人检测算法对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《车载红外夜视技术发展研究综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

此外，近几年随着GPU（graphics processing units）处理器在图像处理上广泛应用，深度学习发展趋势迅速，尤其是在图像目标检测和分类领域卷积神经网络（convolutional neural networks，CNN）算法相对传统的检测算法性能提升显著[22]。首先是Ross Girshick将传统计算机视觉领域的方法选择性搜索（selective search）与CNN结合，先后提出了R-CNN[23]，Fast R-CNN[24]，Faster R-CNN[25]等框架，基于区提名的R-CNN系列的算法在检测精度上有了很大的提升，但是检测的速度较慢，针对这个问题出现了端到端（end-to-end）目标检测方法，比如SDD[26]以及Redmon等人提出YOLO[27-28]系列，在检测速度上做到了实时。Liliang Zhang等[29]基于可见光行人数据库训练了专用于行人检测的深度学习网络，其实验结果与其他主流的检测算法相比有了极大的提升。最后针对上述总结按时间顺序列出了2009年来具有代表性的一些算法见表2。