1. 研究目的与意义（文献综述）

1.1选题意义及背景

数据挖掘，一般是指从大量的数据中自动搜索隐藏于其中的有着特殊关系性的信息的过程。数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统（依靠过去的经验法则）和模式识别等诸多方法来实现上述目标。计算机视觉是一门研究如何使计算机“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。如何做到输入一张图片或者视频，计算机能很快的识别目标所在的区域并对目标进行分类，是一个很重要的问题。传统的目标检测算法，以滑动窗口为框架，分为区域选择、特征提取、分类三个步骤；基于深度学习的算法，分为区域提议与端到端两派。

1.2国内外研究现状

2. 研究的基本内容与方案

目标检测，也叫目标提取，是一种基于目标几何和统计特征的图像分割，它将目标的分割和识别合二为一，其准确性和实时性是整个系统的一项重要能力。尤其是在复杂场景中，需要对多个目标进行实时处理时，目标自动提取和识别就显得特别重要。利用深度学习中的cnn（convolutional neural network卷积神经网络算法）来处理目标检测的问题，这个方法可以提高检测效率的同时，也提高目标检测的效果。传统的目标检测算法，以滑动窗口为框架，分为区域选择、特征提取、分类三个步骤；基于深度学习的算法，分为区域提议与端到端两派。

本文介绍一种基于深度学习用于目标检测的端到端算法。该算法将物体检测作为一个回归问题进行求解，输入图像经过一次统计归纳，便能得到图像中所有物体的位置和其所属类别及相应的置信概率。网络的训练和检测均是在一个单独网络中进行，没有显示地求取提议区域的过程。

本设计该过程包括几个方面：

3. 研究计划与安排

第1-3周 查阅文献；分析题目研究现状，学习基本理论；

第4周 阅读文献、撰写开题报告，英文文献翻译；

第5周 学习基于深度学习的算法；

4. 参考文献（12篇以上）

[1] felzenszwalb p, mcallesterd,ramanan d. a discriminatively trained, multiscale, deformablepartmodel[c]//cvpr, 2008: 1-8.

[2] felzenszwalb p f, girshick rb,mcallester d, et al. object detection with discriminatively trainedpart-basedmodels[j]. pami, 2010, 32(9): 1627-1645.

[3] szegedy c, toshev a, erhand.deep neural networks for object detection[c]//nips. 2013: 2553-2561.