通用目标检测在无人驾驶、机器人导航、视频分析以及图像理解等领域有重要研究价值,近年来吸引了研究人员的广泛关注。随着深度学习,尤其是深度神经网络的迅猛发展,通用目标检测领域取得了巨大进步。基于深度学习的通用目标检测准确率大大提高,使得无人驾驶、机器人导航等在实际生活中应用成为可能。本文主要研究基于深度学习的通用目标检测,旨在以Faster R-CNN为主干框架,对其进行改进以提高通用目标检测准确率。Faster R-CNN是通用目标检测领域的主流检测框架,然而单个Faster R-CNN框架相对于最新的检测模型已不再具有优势。所以,在基于Faster R-CNN的基础上,本文提出了多个改进方法,来提高其准确率。本文主要集中于特征提取、标准化方法和anchor大小等方面来改进检测结果。在特征提取方面,采用深度神经网络来进行特征提取。由于深度神经网络具有强大的学习能力和较强的表达能力,可以学习到语义性强、多层次、鲁棒性强的特征。同时,还采用了特征金字塔结构来解决多尺度问题。特征金字塔用来生成多尺度特征表示,使模型可以检测不同尺度的目标。标准化方法方面则使用了组标准化来解决小批量问题。组标准化将特征通道分为几组,在每组内计算均值和方差来进行标准化,它的计算和批量大小没有关系,从而避免了小批量问题。此外,使用了K均值聚类算法来确定anchor大小以使网络可以更容易地进行边框回归。通过在以上方面对Faster R-CNN进行改进,在MS COCO2017数据集上,我们的模型相对于Faster R-CNN准确率提高了 1.6%。