时间：2024-03-21 16:05:15 作者：知网查重入口 www.9foxs.cn
最直接明显的，就是要分析的图像和要检测的目标不一样。 大家都了解，当前主流的深度学习模型，都是从计算机通用视觉领域发展起来的。 一开始被提出，都是用于从照片中定位行人、车辆，或区分猫猫狗狗的。 这和我们更关心的医学影像分析，确实存在差别。 既包括，图像自身维度和像素格式的差别，例如CT、MR影像都是三维和灰度的，而日常照片则是二维和彩色的；还包括，要检测的目标大小的差别，很多疾病辅助检测所关心的目标都比较小，只占据图像中很小的区域，而日常照片中，大家关注的目标都比较大，往往占据图像主体区域。 关于小目标检测，最典型的例子，就是大家都熟知的肺小结节和眼底病变了。 肺小结节检测，更多基于CT影像，属于三维图像领域；眼底病灶检测，则大多使用眼底相机拍摄的眼底彩色照相图片，属于二维图像领域。
在实际使用中往往也是多种结构的融合。 医学图像分类可以分为图像筛查和目标或病灶分类。图像筛查是深度学习在医学图像分析领域中的最早应用之一, 是指将一个或多个检查图像作为输入, 通过训练好的模型对其预测, 输出一个表示是否患某种疾病或严重程度分级的诊断变量。 图像筛查属于图像级分类，用来解决此任务的深度学习模型最初关注于 SAE、 DBN 及 DBM 网络和非监督预训练方法。
我们不仅关注对图像的简单分类，而且希望能够准确获得图像中存在的感兴趣目标及其位置 [2]，并将这些信息应用到视频监控、自主驾驶等一系列现实任务中，因此目标检测技术受到了广泛关注。 目标检测具有巨大的实用价值和应用前景。 应用领域包括智能视频监控、机器人导航、数码相机中自动定位和聚焦人脸的技术、飞机航拍或卫星图像中道路的检测、车载摄像机图像中的障碍物检测、医学影像在的病灶检测等 [3]– [10]。
摘要： 目标检测是计算机视觉中一个重要问题，在行人跟踪、车牌识别、无人驾驶等领域都具有重要的研究价值。近年来，随着深度学习对图像分类准确度的大幅度提高，基于深度学习的目标检测算法逐渐成为主流。本文介绍了目前发展迅猛的深度学习方法在目标检测中的最新应用进展，然后介绍了基于深度学习的目标检测算法在医学图像领域的应用，最后讨论了深度学习方法应用于目标视觉检测时存在的困难和挑战, 并对今后的发展趋势进行展望。 目标检测是计算机视觉领域中一个非常重要的研究问题。
