第六章 总结与展望
现代的物体检测系统普遍要求速度和精度兼得，还要保证实时性。这是由社会进步带来的必然变革。计算机视觉应用在实际生产生活中最广泛的领域之一就是视频和监控。公安利用监控抓捕嫌犯，交警利用监控维护交通秩序，车站机场利用监控保障安全，工人利用监控促进生产等等。对于个人来说，大家或多或少都在享受着计算机视觉发展带来的便利。图像检测领域因为深度学习的火热而迅速增长，必将给市场带来一场场的变革。
6.1 本论文的主要贡献
本文重点实现了一个基于深度神经网络的实时物体检测系统。为了完成这个系统，论文进行了一系列相关的工作。首先论文将传统检测算法与神经网络算法进行一系列对比，指出了传统检测算法的不足，并确定了论文以神经网络算法为理论依据的基调。第二章对神经网络算法（尤其是卷积神经网络）进行了详细的归纳总结，并介绍了几种经典的卷积结构和它们用到的几种优化方法。第三章论文根据残差网络（ResNet）提出的“跳跃连接”所带来的启示，详细介绍了基于“跳跃连接”的密集连接网络（DenseNet），对其加以改进能取得与最优网络相当的准确率，却拥有更少参数量的结构。第四章首先分析了当前主流的目标检测算法存在的问题，接着分析了SSD检测算法为何能提高检测的速度和精度，接着又分析了SSD中还存在哪些问题以及具体的优化方法，最终实现了一个以DenseNet为基础网络，并使用“跳跃连接”作用于预测网络上的改进版SSD算法。使得检测的效率更进一步，同时解决了以往检测小目标难的问题。第五章详细阐述了基于深度神经算法的实时检测系统的具体设计和工作流程，最终获得了一个高可用的实时检测系统。
本论文主要有以下几个创新点：
1、采用了“跳跃连接”的思想实现了深度卷积网络，并尝试不同的优化策略。“跳跃连接”能够有效的在网络中增加上下文信息，能尽量避免信息在层间传递时产生的特征丢失。实验表明，这种思路是正确的。
2、使用了端到端的SSD目标检测算法，摒弃了以往算法中冗余的计算量和不可靠的特征提取。
3、改进了SSD的基础网络。论文使用优化的DenseNet作为SSD的基础网络以提取更加可靠的深度特征。
4、改进SSD的预测网络。使用“跳跃连接”的方式对预测特征图进行特征提取，增加了预测网络的上下文信息，增强了预测的可靠性。
6.2 下一步工作的展望
尽管论文做了很多研究并最终实现了一个实时的检测系统。但是在研究的过程中我们也了解到，图像检测这一领域并没有一个万能的解决问题的方法。虽然现在的方法能达到一个不错的效果，我们仍然相信不久的以后就会有更加高效的方法诞生，甚至推翻现在的方法。所以，我们在下一步的工作研究中应当保持谦虚的心态，进一步扎实深度学习的理论知识，持续关注深度学习领域的热点，洞察深度学习的发展趋势，积极投身于深度学习的理论研究和实际应用开发。
致 谢
三年硕士生涯即将结束，回顾这些日子，本人学习到很多实用的知识，聆听到很多切身的教诲，交了很多知心的朋友，明白了很多道理。思来想去，心里唯有感谢！
感谢电子科技大学和信息软件工程学院，给了我一个获取知识的高平台。母校独特的魅力让我为之陶醉，母校永远是我的骄傲。无论在哪里，我都是一个成电人。
感谢导师####，能成为您的学生是我莫大的荣幸。####严谨的治学态度，热情随和的生活态度总是能给我指引正确的方向。人生得一良师岂不快哉！祝愿####开心常伴，幸福安康！
感谢同教研室####老师，####老师，####老师等等。感谢你们在我的科研工作中给予的关怀和指导。我们共同的努力使得教研室像家一样温暖。
感谢一起学习，一起玩耍的伙伴们。你们在科研中时常迸发出绝妙的灵感让我受益匪浅，生活中我们是友爱的伙伴。离别在即，愿你们前程似锦！
感谢父母，你们是我永远的精神支柱。
感谢女友####，你一直以来的支持鼓励和陪伴让我心安。
