A Survey of Object Detection and Classification in Video Using Deep Learning Approaches

视频中的目标检测与分类已成为计算机视觉领域的核心挑战，其应用涵盖自动驾驶、监控、医疗健康、机器人技术及人机交互等多个方向。与静态图像目标检测不同，基于视频的检测需要处理额外的复杂性，如时间一致性、运动模糊、遮挡以及实时性约束。依赖手工设计特征和背景减除的传统方法已让位于基于深度学习的方法，尤其是卷积神经网络（CNN）、循环神经网络（RNN）、Transformer以及单阶段检测器如You Only Look Once（YOLO）系列。本文对视频中的目标检测进行了全面综述，梳理了从早期手工设计方法到近期深度架构的方法演进。我们考察了主流模型、数据集和基准测试，重点关注精度与速度之间的权衡以及真实世界部署中的独特挑战。对当前最先进方法的比较分析揭示了相关趋势与不足，包括在小目标检测、域适应以及大规模数据集高效训练方面的困境。最后，我们展望了有前景的未来方向，如基于Transformer的检测、自监督学习、多模态视频理解以及边缘设备优化。本综述旨在为推进基于视频的目标检测研究提供入门资源和路线图。