文 献 综 述 一、引言 目标检测是计算机视觉这个多学科交叉大方向中的一个重要组成部分，主要是针对性研究如何在静态图像中识别及定位某一特定的一类或多类物体。

目标检测的要求通常是不仅能够对给定图像中的类别进行准确地预测，而且还要求能够定位目标，用矩形框图将感兴趣的目标准确地定位框出。

近年来，迁移学习收到广泛关注。

迁移学习常用于将已存储的知识应用于处理任务相关，对象不同的问题。

传统机器学习有他的局限性，通常着重于解决单一领域内的问题，对于训练样本的要求也较为苛刻，要求训练集和测试集满足独立同分布的要求。

当训练样本与测试样本不满足上述要求时，经常需要在新的数据集上重新训练模型，由此带来的采集数据的成本甚高，甚至很难达成，迁移学习在此场景下就能发挥巨大的作用，它可用于分类有相似之处但不同标签的对象。

为实现对某一物体的目标检测，本文基于迁移学习的理论研究，利用 SSD（Single ShotMutibox Detector）模型，利用 TensorFlow 平台实现的目标检测识别速度快而且鲁棒性好。

本课题的研究主要从几个方面入手，从模型的选择，数据集的收集与划分，模型的评价，模型的改良等方面入手。

二、课题分析 目标检测是通过模拟人类视觉系统，实现对目标的跟踪、识别以及场景理解。

传统机器学习都遵循着一个重要前提，即训练集与测试集样本独立同分布，即训练样本采用自目标应用领域。