Application of deep learning-based object detection to verification code identification

Abstract

Object detection is one of the most important and challenging branches in the field of computer vision. It has been widely used in people's life, such as surveillance security, autonomous driving and so on. The task of object detection is to locate instances of a certain class of semantic objects. With the rapid development of deep learning networks for detection tasks, the performance of object detectors has been greatly improved. In order to gain insight into the main developments in the object detection pipeline, this review first analyzes the classical approaches to existing detection models and describes the benchmark data set. After that, we mainly systematically introduce various object detection methods, including one-stage and two- stage detectors. In addition, we list traditional and new target detection applications. Some representative branches are analyzed. Finally, we discuss the use of these object detection methods to build an effective and efficient architecture and point out a set of trends to better keep up with state-of-the-art algorithms and further research.|물체 감지는 컴퓨터 비전 분야에서 가장 중요하고 도전적인 분야 중 하나 이다. 그것은 감시 보안, 자율 주행 등 사람들의 생활에 널리 사용되어 왔다. 객체 감지 작업은 특정 클래스의 의미 객체의 인스턴스를 찾는 것이다. 탐지 작업을 위한 딥러닝 네트워크가 빠르게 개발됨에 따라 객체 탐지기의 성능이 크게 향상되었다. 객체 감지 파이프라인의 주요 개발에 대한 통찰력을 얻기 위해 이 검토에서는 먼저 기존 탐지 모델에 대한 기존의 접근 방식을 분석하 고 벤치마크 데이터 세트를 설명한다. 그 후, 우리는 주로 1 단계와 2 단계 검 출기를 포함한 다양한 물체 검출 방법을 체계적으로 소개한다. 또한 기존 및 새로운 표적 탐지 응용 프로그램을 나열한다. 대표적인 몇 가지 분기가 분석 된된다. 마지막으로, 효과적이고 효율적인 아키텍처를 구축하기 위한 이러한 객체 감지 방법의 사용에 대해 논의하고 최신 알고리즘과 추가 연구를 더 잘 따라잡기 위한 일련의 동향을 지적한다.