视频物体检测,即对视频中每一帧上出现的物体进行定位和分类,是计算机视觉中一个基础的问题之一。在现实生活中,它具有广泛的应用场景,如自动驾驶、视频监控、智慧城市等。近年来,基于特征聚合的视频物体检测算法主要依赖于推断特征的一致性。像素或者示例层次特征的一致性估计是一个很困难的问题,因为视频中常出现图像质量退化现象,如:运动模糊、视频失焦、物体遮挡等,这使得特征一致性估计的结果不稳定。此外在实际应用场景中布署视频物体检测系统通常在速度、性能等方面有较高的要求,因为硬件设备的计算能力通常有限,当前主流的视频物体检测算法未将这些因素纳入考虑范围,因此距离实际应用还有一定的距离。针对这些问题本文分别从检测精度和检测速度两个角度出发,提出相应的解决方案。具体地,本文的贡献包括如下几个方面:1.提出一个物体候选框层次的特征聚合算法。该算法结合候选框的视觉特征、空间位置和时序位置信息,对视频片段中所有物体候选框构建依赖关系,从而对目标候选框进行特征增强。其避免了像素层次特征聚合方法中需要手工进行特征传播设计的过程,支持端到端的训练;避免了因图像质量退化造成的特征一致性估计不准确的问题,对于图像质量退化的场景具有很好的鲁棒性;可以很好地捕获物体时序上的一致性。最后,在大规模视频数据集Image Net VID上进行验证,相比于单帧Faster R-CNN基准物体检测算法,m AP可以显著地提升近6%,在无需任何时序后处理的情况下,超过当前最优的算法1.4%。2.提出一个基于时序调度的高效视频物体检测算法。该算法结合图像物体检测、目标跟踪算法,将视频物体检测问题建模为时序决策问题,通过设计高效的物体候选框跟踪算法,以及基于卷积神经网络的准确决策器,达到速度和精度之间一个较好的平衡。该算法整个检测过程实时、无延时、支持维护示例ID,满足自动驾驶等高要求的实际应用场景。同样,最后在大规模视频数据集Image Net VID验证其性能。