基于深度学习的物联网远程监控目标检测

目标检测是视频监控应用中的关键环节。在远程监控中，需要准确地检测到目标，并将检测到的数据快速传输到主站，以便采取进一步的行动。主要研究了一种利用深度神经网络和物联网对目标进行检测，并将检测到的信息以低传输速率传输到云端的框架。检测框架是基于YOLO- lite的组合，它是一个简单版本的you only look once (YOLO)检测器和空间金字塔池化(SPP)。在COCO数据集上训练，YOLO-Lite + SPP模型在nonGPU平台上的运行速度为40 fps, mAP为35.7%。在PASCAL VOC、COCO、TB-50和TB-100数据集上分析了该算法的性能。在基于GPU的平台上，在218 fps的处理速度下，准确率和召回率分别达到89.79%和91.67%。ThingSpeak平台已用于云数据接收。仿真结果验证了该框架的有效性，也验证了该框架适用于远程视频监控。

1 Introduction

目标检测是一个非常熟悉的术语，涉及到目标分类及其定位。它与场景理解和视频分析密切相关，在行人检测、人脸检测、自动驾驶汽车、视频监控等众多应用中都有一席之地。用于执行目标检测的传统技术主要依赖于不那么精确的手工特征和草率的特征训练架构[1]。在复杂性增加的情况下，低级特性趋于饱和。由于深度学习领域的迅速发展，从图像中提取复杂特征并进行高精度分析是可行的。

深度学习与机器学习的不同之处在于(图1)，后者使用手动提取的特征，这些特征被进一步馈送到训练算法中，而前者使用深度神经网络自动提取多个特征。这些复杂的特征被进一步用于目标分类和定位。深度神经网络(DNN)是一种具有多层感知器或具有许多隐藏层的网络。典型的卷积神经网络由卷积层、激活函数、池化层和全连接网络以及分类器组成。如果我们增加输入和全连接网络之间的隐藏层集，即卷积层和池化层，就形成了一个深度神经网络。深度学习是一种趋势，因为