参考文献摘要：本文首先介绍了轻量化目标检测及其发展历程，接着又对网络进行概述，在此基础上引出近三年来最新的轻量化目标检测算法，最后对轻量化目标检测的发展和研究做出总结。关键字：目标检测；轻量化；卷积神经网络；深度学习引言近年来，随着深度学习技术的不断发展，神经网络凭借强大的特征表达能力和泛化能力在计算机视觉领域取得了巨大的成功，目标检测技术也从基于手工特征的传统算法转向了基于深度神经网络的检测算法

计算机视觉技术是一项人工智能化的技术，它是模拟人类对环境进行感知的过程，因此它是一个跨学科的交叉领域，其中包括图像处理、人工智能、数字化技术等。又被称为图像理解，说直白一点便是利用相关的图像处理方法去得到人们想要的图像信息。目前计算机技术已经能够对二维图像进行分析和处理，对于二维图像中的内容进行识别和分析，但是在具体的应用过程中，人类希望计算机能够对三维结构进行更加深入的分析以满足人类的智能需求。

1.基于网络内特征金字塔的方法（是用适当的上下文信息为不同大小的每个目标分配感兴趣区域，并使这些目标能够在不同的特征层中被识别）：例如SSD和FFP缺点：上述方法基于CNN主干，而CNN主干受到固有的极限感受野的影响。3.基于Transformer方法(将输入图像划分为不同的图像块，然后使用块之间基于多头注意力的特征交互来完成获取全局长距离相关性的目的。)：PVT和Swin transformer

详细介绍计算机视觉中常用的数据集

计算机视觉技术是一项人工智能化的技术，它是模拟人类对环境进行感知的过程，因此它是一个跨学科的交叉领域，其中包括图像处理、人工智能、数字化技术等。又被称为图像理解，说直白一点便是利用相关的图像处理方法去得到人们想要的图像信息。目前计算机技术已经能够对二维图像进行分析和处理，对于二维图像中的内容进行识别和分析，但是在具体的应用过程中，人类希望计算机能够对三维结构进行更加深入的分析以满足人类的智能需求。

参考文献摘要：本文首先介绍了轻量化目标检测及其发展历程，接着又对网络进行概述，在此基础上引出近三年来最新的轻量化目标检测算法，最后对轻量化目标检测的发展和研究做出总结。关键字：目标检测；轻量化；卷积神经网络；深度学习引言近年来，随着深度学习技术的不断发展，神经网络凭借强大的特征表达能力和泛化能力在计算机视觉领域取得了巨大的成功，目标检测技术也从基于手工特征的传统算法转向了基于深度神经网络的检测算法

1.图像分类（Object Classification）：识别图片中存在的不同物体的种类（下方左图，人类、羊类、狗类）2.目标检测(Object Detection)：识别图片中的物体及其位置，把它们用矩形框框起来（上方右图，识别三类并用框框起来）...

1.图像分类（Object Classification）：识别图片中存在的不同物体的种类（下方左图，人类、羊类、狗类）2.目标检测(Object Detection)：识别图片中的物体及其位置，把它们用矩形框框起来（上方右图，识别三类并用框框起来）...

循环神经网络、长短期记忆和门控循环神经网络，在语言建模和机器翻译等序列建模和转导问题中已被牢固确立为最先进的方法。此后，许多努力继续推动循环语言模型和编码器-解码器架构的界限。循环模型通常沿输入和输出序列的符号位置考虑计算。将位置与计算时间的步骤对齐，它们生成一系列隐藏状态 ht，作为先前隐藏状态 ht-1 和位置 t 的输入的函数。这种固有的顺序性质排除了训练示例中的并行化，这在更长的序列长度下

优点：加入了先验知识，模型训练相对稳定；密集的anchor box可有效提高召回率，对于小目标检测来说提升非常明显。缺点：对于多类别目标检测，超参数相对难设计；冗余box非常多，可能会造成正负样本失衡；在进行目标类别分类时，超参IOU阈值需根据任务情况调整。优点：计算量减少；可灵活使用。缺点：存在正负样本严重不平衡；两个目标中心重叠的情况下，造成语义模糊性；检测结果相对不稳定。